神经网络学习6-线性层

归一化用的较少

正则化用来解决过拟合，处理最优化问题，批量归一化加快速度
正则化（Regularization）：
作用：正则化是一种用来防止过拟合的技术，通过向模型的损失函数中添加惩罚项，使得模型在学习过程中更加平滑，避免对训练数据过度拟合。
归一化（Normalization）：
作用：归一化是一种数据预处理技术，用来缩放特征值的范围，使得不同特征之间具有可比性，加速模型的收敛过程，提高模型的性能。

线性层是神经网络中的基本构建模块，特别是在深度学习中。它们也被称为全连接层或密集层

例题：将一个5*5的图片转变为25的，在转变为3的，特征提取

nn.Linear(in_features, out_features) 表示一个线性层，其中参数的含义如下：
in_features: 这是输入特征的数量，即线性层接收的每个输入样本的大小。
out_features: 这是输出特征的数量，即线性层生成的每个输出样本的大小。

import torch
import torchvision
from torch import  nn
from torch.nn import ReLU, Sigmoid, Linear
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriterdata_transform=torchvision.transforms.Compose([torchvision.transforms.ToTensor()]
)
test_data=torchvision.datasets.CIFAR10('./dataset',train=False,transform=data_transform,download=True)
dataloader=DataLoader(dataset=test_data,batch_size=64,drop_last=True)class Tudui(nn.Module):def __init__(self):super(Tudui, self).__init__()self.linear1=Linear(196608,10)def forward(self,input):output=self.linear1(input)return outputtudui=Tudui()for data in dataloader:imgs,targets=dataprint(imgs.shape)#output=torch.reshape(imgs,(1,1,1,-1))#前面1,1,1是你想要的，后面我们不知道这个值是多少，取-1让Python自己计算output=torch.flatten(imgs)print(output.shape)output=tudui(output)print(output.shape)

注意一下dataloader最后drop_last不加会在处理最后一批图片时出现报错