# AI_CV_Homework3

**Repository Path**: chrisshane/AI_CV_Homework3

## Basic Information

- **Project Name**: AI_CV_Homework3
- **Description**: AI_CV训练营第三次作业 Pytorch及猫狗分类
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2021-01-03
- **Last Updated**: 2021-01-03

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# AI_CV_Homework3



> 一：选择题：（多选） 
> 
> 1.关于PyTorch描述正确的是：（10分） BC
> 
> A 是Tensorflow的高级接口 
> B 是深度学习框架 
> C 使用方法和numpy接近 
> D 静态图框架 
> 
> 2.Adam和Sgd，以下解释不正确的是：（10分） AD
> 
> A Sgd是优化策略，而Adam是损失策略 
> B Adam比Sgd的理论优化速度快 
> C Sgd可能使得优化陷入鞍点 
> D Sgd是梯度下降法，Adam不是基于梯度下降法 
> 
> 
> 3.PyTorch和Tensorflow的区别，以下描述正确的是：（10分）  ABD
> 
> A TF1X是静态图2X是动态图结构，PyTorch一直是动态图结构 
> B PyTorch更多是学术界使用，TF工业界使用更多 
> C keras是基于TF的高级接口。但是不能移植到PyTorch上 
> D PyTorch和TF是现在最流行的深度学习框架 
> 
> 二：非选择题：（50分，一个10分） 
> 
> 1.请解释如下方法体 
> 
> torch.nn.Linear
> 
> 用于设置网络中的全连接层，全连接层的输入与输出都是二维张量，一般形状为[batch_size,size]，不同于卷积层要求输入输出是四维张量。
> 
> 原型：
> torch.nn.Linear(in_features,out_features,bias=True)
> 参数说明如下：
> in_features 指的是输入的二维张量的大小。
> out_features 指的是输出的二维张量的大小，也代表了该全连接层的神经元个数。
> 从输入输出的张量的shape角度来理解，相当于一个输入为[batch_size, in_features]的张量变换成了[batch_size, out_features]的输出张量。
> 
> 
> torch.tensor
> 
> 用来构造一个tensor
> 
> 原型：
> torch.tensor(data, dtype=None, device=None, requires_grad=False)
> 其中data可以是:list,tuple,NumPy,ndarray等其他类型,torch.tensor会从data中的数据部分做拷贝(而不是直接引用),
> 根据原始数据类型生成相应的torch.LongTensor torch.FloatTensor和torch.DoubleTensor
> 
> torch.IntTensor 
> 
> 用于生成数据类型为整型的Tensor,传递给torch.IntTensor的参数可以是一个列表，也可以是一个维度值
> 
> torch.optim.Adam 
> 
> 用来选用Adam优化器
> 
> 原型：
> class torch.optim.Adam(params, lr=0.001, betas=(0.9, 0.999), eps=1e-08, weight_decay=0)
> 参数：
> params (iterable) – 待优化参数的iterable或者是定义了参数组的dict
> lr (float, 可选) – 学习率（默认：1e-3）
> betas (Tuple[float, float], 可选) – 用于计算梯度以及梯度平方的运行平均值的系数（默认：0.9，0.999）
> eps (float, 可选) – 为了增加数值计算的稳定性而加到分母里的项（默认：1e-8）
> weight_decay (float, 可选) – 权重衰减（L2惩罚）（默认: 0）
> 实现了Adam优化算法
> 
> 
> torch.nn.MSELoss
> 
> 用来选用MSELoss损失函数
> 
> 原型：
> class torch.nn.MSELoss(size_average=True)
> 创建一个衡量输入x(模型预测输出)和目标y之间均方误差标准。
> 
> 
> 
> 2.请运行课程中猫狗分类的项目。并且截图预测结果（20分） 
> 请参照文件夹 CatDogConfiguration
> 使用了Adam优化器， 学习率为0.0001