Main Modules

基本配置

数据的读入

终于看完了枯燥的铺垫😄

PyTorch provides two data primitives: torch.utils.data.DataLoader and torch.utils.data.Dataset that allow you to use pre-loaded datasets as well as your own data. Dataset stores the samples and their corresponding labels, and DataLoader wraps an iterable around the Dataset to enable easy access to the samples

• __init__: 用于向类中传入外部参数，同时定义样本集

• __getitem__: 用于逐个读取样本集合中的元素，可以进行一定的变换，并将返回训练/验证所需的数据

• __len__: 用于返回数据集的样本数

• 使用 self.img_labels.iloc[idx, 0] 获取第 idx 行、第 0 列的图像文件名，再用os.path.join(self.img_dir, filename) 构建完整的图像文件路径

• 使用 self.img_labels.iloc[idx, 1] 获取第 idx 行、第 1 列的标签

• 如果指定了 transform，则将图像应用该转换操作

• 如果指定了 target_transform，则将标签应用该转换操作

Build Your Model

Build a neural network

• self.fc1 = nn.Linear(input_size, hidden_size):：这行代码创建了一个全连接层 (nn.Linear)，并将它赋值给了 self.fc1。全连接层将输入特征的维度 input_size 映射到隐藏层的大小 hidden_size

• self.relu = nn.ReLU():：这行代码创建了一个 ReLU 激活函数 (nn.ReLU) 的实例，并将其赋值给了 self.relu

ReLU 是一种常用的非线性激活函数，用于增加模型的非线性能力。简单来说，激活函数，并不是去激活什么，而是指如何把“激活的神经元的特征”通过函数把特征保留并映射出来，即负责将神经元的输入映射到输出端。事实上，ReLU函数就是

• self.fc2 = nn.Linear(hidden_size, num_classes):：这行代码创建了另一个全连接层，并将其赋值给了 self.fc2。这个全连接层将隐藏层的输出映射到分类数 num_classes。

• def forward(self, x):：这是一个用于定义前向传播过程的方法，它接受输入 x 并返回模型的输出。在 PyTorch 中，我们需要自己定义模型的前向传播过程，以确定数据如何通过网络流动。

• out = self.fc1(x)、out = self.relu(out) 和 out = self.fc2(out)：这些行代码描述了数据在网络中的流动过程。首先，输入 x 通过第一个全连接层 self.fc1，然后通过 ReLU 激活函数 self.relu，最后通过第二个全连接层 self.fc2

这个神经网络有个精度和准确度的问题，在我进行识别的时候，进行了一个对传入图片的变形（压成一维），导致在2和5的识别上有重大的问题😭，写太粗了分不出来