#分类任务：才正式进入深度学习的领域 1.nn.Linear 作用：随意转换矩阵的维度
在中间多算几次，可以加深网络加强效果
(1)Then：梯度下降算法 处理数据集(训练集，验证集，测试集)
(2)分类与回归之间区别就是输出不同 回归：是找一条线，模拟原有的数据，从给定的x值，预测出y的值
·分类：找一条分界线，将数据分为两类，也就是找出两类数据之间的分界线
··分类的输出：
误区：输出一个类别，结果离谁近就属于哪一类
方法：
One-hot独热编码(用01向量表示)
·如：[0,1]表示属于第二类，[1,0]表示属于第一类
每个元素都代表不同的类别
看向量最大值所在的下标就是他的类别
图片分类：将图片转换为向量，然后进行分类
··图片分类的方法：
1.将图片转换为向量(图片大小一般规定为224x224)
标签y为向量 即概率分布 求分布之间的loss
2.将向量输入到神经网络中
3.输出预测值
2.卷积神经网络： 即对应矩阵(卷积和)的卷积操作 得到特征图 一般只需要关注到小的特征图 (图片天然就是矩阵)卷积核是三层矩阵在卷积
因为卷积之后的矩阵会变小，所以需要填充0(即使用ZeroPadding)
ZeroPadding1卷一层即添加两列，ZaroPadding2卷两层即添加四列
卷积核大小不变，但是厚度会变
卷积核参数量就是卷积核大小平方乘以厚度
如果引入维度，就是引入卷积核
一个卷积核就可以卷出来一张特征图
#卷积神经网络计算：
特征图大小为卷积核卷出来的个数
卷积核的参数量即卷积核大小*厚度*卷积核数量
··· 每次卷积出新的特征图的通道数(深度)为该次卷积的输出参数 ··· 特征图高度为卷积计算结果(按理说是越卷越小) ··· 而卷积计算中的I为特征图的高度（一般高度宽度一致保证为方阵）
adaPoolq强行重置特征图高度宽度 Pool(3,2)表示池化窗口大小为3，步幅为2
降低采集量
1)扩大步长：就是特征图行列分别除以步长大小
缺点：会丢失信息，还会引入计算
2)池化(pooling)：无参数量，不会引入计算
用一个数代表多个数
·)最大池化(首选):每n个元素取最大值
·)平均池化：每n个元素取平均值
#卷积
可以用maxpooling(7) #7表示7个数中取最大值
convd(a, b, c,)三个参数分别表示维度、高度、宽度
其中a表示通道数，b和c分别表示每个通道数的高度和宽度
#卷积完后得到单层或多层特征图
#特征图展开成向量
#向量输入到全连接层
#中间可以任意添加全连接层
Linear:数学表达式为： [ y = Wx + b ] 其中，( W ) 是权重矩阵，( b ) 是偏置向量，( x ) 是输入向量，( y ) 是输出向量
#用于将输入特征进行线性组合生成新的特征
#全连接层输出预测值（类别）
3.分类的loss： 让标签变成概率分布，然后求分布之间的loss nn.softmax() #将向量变成概率分布
import torch
import torch.nn as nn
y=torch.tensor([1,0,0,0],dtype=float) #将标签值转为张量
soft = nn.Softmax(dim=-1) #将向量变成概率分布
#此时的y' 和 y^都是概率分布
#利用CrossEntropy Loss：(交叉熵损失)来计算loss
分类：二分类和多分类
forward(前向过程)：即从输入到输出的过程
backward(反向过程)：即从输出到输入的过程
y'为预测值
y^为标签值也就是真实值
分类任务 loss(模型输出值，标签值)
将图片转为矩阵 然后铺开成向量 进而进行分类
loss.backward() #梯度回传 进行回归
4.图片分类神经网络的发展： (sota模型 最好的模型）
1)使用ReLU激活函数
2)使用Dropout 随机选取神经元 缓解过拟合
3)池化
4)归一化:可以加快数据集的收敛
防止数据受量纲影响 缓解梯度消失和梯度爆炸
Batch Norm 批归一化
数据集通过卷积得到新的数据集，然后对其进行归一化
解决模型越深效果越差的问题
·梯度消失 & 梯度爆炸
1)残差块
2)残差网络
3)残差网络的变种
残差链接：将前面的特征图直接加到后面的特征图上