前情提要: 因为有鞍点的存在，可能会导致深度学习在循环中共，无法继续往梯度下降的方向进行。 所以我们选择了随机梯度下降算法，而不是求平均loss的梯度下降算法。 我的理解就是使用不确定性的好来对抗确定性的差

00:04:34.963 image.png

把所有样本进行了前馈，和反向传播 就是一轮epoch 00:04:45.488 image.png image.png 每次训练中所用的样本数量 image.png 这里没有上上上图中的for i in range 所以这里就是所有的数据都进行随机梯度下降计算

00:05:09.337 image.png iteration（这块理解比较抽象） batch分了多少个 比如有1000个数据 100是batch-size 经过了10次的迭代，以100 batch-size的方式实现了1000个数据训练

shuffle 打乱顺序 00:07:09.352 image.png 00:07:53.784 image.png 00:08:41.339 image.png

00:09:51.557 image.png 00:10:05.801 image.png

用来加载数据，可以实例化一个dataloader

dataset是一个抽象类，不能实例化

00:10:45.689 image.png

getitem是实例化之后，可以进行下标搜索 00:11:46.675 image.png len返回数据条数 1.
self.len = xy.shape[0] # shape(多少行，多少列)

00:14:13.005 image.png

构造数据集的选择： 1. 把所有数据data中，通过init加载进来，通过getiemc传出去 适用于图像数据集不大 2. init中只是进行初始化，定义一个列表，把数据的文件名放到列表中。可能还会涉及到读取标签，如果标签不大也可以直接用init读 图像语音-》无结构的数据

dataloader 00:17:55.684 image.png 四个参数 传入数据集 batchsize容量是多少 是否打乱（最好还是打乱 是否使用并行进程

windows中编程与linux在使用多线程的区别 如果选择num_worker，其实也就是多线程，windows中则需要加入 if_name_=…..

00:21:27.746 image.png

00:21:53.647 image.png 00:22:57.977 image.png

这个是方法1，把所有的数据都保存到内存当中了

00:24:18.609 image.png 00:27:12.228 image.png 使用enumerate为了获取迭代次数 trainloader中的数据放到data中 然后经过inputs和label分割成xy

剩的东西都没啥区别

00:28:02.535 image.png

00:28:14.598 image.png

00:28:25.829 image.png

00:28:31.901 image.png

  1. 准备数据集
  2. 设计模型
  3. 构造损失和优化器
  4. 训练循环 这一节在训练循环中加入了mini-batch

trainloader就是构建了batch

00:30:32.101 *image.png

一些提供的数据集

00:33:15.926 image.png

不做shuffle为了便于观察

00:34:38.705 image.png

作业 kaggle 使用dataloader构造一个分类器