这几周事情太多了！！

先把博客写了，等有空的时候再回来完善。

一、学习总结

二、实验结果

1. CNN 与全连接网络分别对 MNIST 数据集分类

(1) MNIST 数据集下载

利用 Pytorch 自带的数据集加载器下载 MNIST 数据集并存放在 ./data 文件夹

(2) 展示部分手写数字数据

使用 matplotlib 对部分数据进行输出展示

(3) 封装全连接层与 CNN 层

继承 torch.nn 后分别实现构造函数和 forward 前向传播函数，

利用 autograd 自动实现反向传播。

(4) 测试网络分类效果

普通全连接网络达到了 88% 的准确率：

CNN 达到了 95% 的准确率，具有显著优势：

(5) 数据打乱进行对照实验

利用 shuffle 打乱数据集：

再次使用全连接网络：

再次使用 CNN：

三、问题总结

1. dataloader 里面 shuffle 取不同值有什么区别？

在 shuffle = True 时，每个 epoch 开始前随机打乱样本顺序。这能放置数据顺序在模型训练过程中产生干扰，提高收敛稳定性，降低过拟合风险；在 shuffle = False 时，数据顺序是固定的，使得结果可以复现，便于验证。

2. transform 里，取了不同值，这个有什么区别？

transform 对原始数据进行变换处理，能够对不同特征的数据进行表达力上的增强，通过特定的变换方式使得模型具有更高的泛用性，并暗示了模型可以忽略哪些特征进行泛化训练。

3. epoch 和 batch 的区别？

epoch 指的是训练批次，而 batch 指的是每一次训练中使用的样本数。epoch 决定了训练次数多少，而 batch 影响着显存占用、梯度噪声等。

4. 1x1 的卷积和 FC 有什么区别？主要起什么作⽤？

FC 输入整个特征图，并输出一个向量；1x1 的卷积对每个位置的向量做相同的线性变换，以同一套权重对每个位置进行变换。1x1 卷积避免了数据权重与位置的绑定，具有了更高的泛化性，可以用来通道降维减少计算量，或通道升维增强模型表达力。