以resnet18为例
分为三个部分：set load model
set
很多数据集都是从dataset里引用的
如果我想改输入图片的大小，比如说将32改为80，会有reshape函数去改变可以用自动填充去看看函数的参数，应该是两个参数，一个是要改为的量，一个是方法（可能是，未验证），一般方法是两个（斜方向）像素点中进行变化，如果是变小的话，也是一定的变化，这些都不是原来的像素点了。
set用的图片格式有两种，一种是pil类中的格式，一种是torch中的tensor，cv2（opencv）中是一个GBR图，需要换顺序，而且还变为一个numpy类型的量（具体有点迷糊了，有时间看看numpy类）
load：
一个是载入功能，一个是打包，打乱功能，这里batch_size=128,也就是参数大小的第一维=128
model：
model：一些变量含义：
in_planes:输入的通道数 planes:输出的通道数 stride:步长padding:补充0的个数（注意是两边加）kernel_size:（卷积核的大小）
basicblock是一个两层的卷积，2个layer1，2个layer2，2个layer3，2个layer4
一开始输入的是（128，3，32，32）128为批量数，3为rgb所以是3个通道的，32*32为大小
Resnet在CIFAR10上的实践和论文里有明显的差异，用论文里的实现会出现什么问题？为什么？
论文中第一层卷积kernal=7同时有一个最大池化
cifar10中第一次卷积核为3，且没有最大池化
（核大小的差别：重点集中的感觉？可以试试）
（分辨率？（体现的方面））
想要增大图片的大小（分辨率）可以将maxpooling往后放，或者padding增大，但可能会造成边缘没有意义啥的（可以尝试一下）。
经过第一次卷积：
通道变为64，大小为（32+2*1-3+1）/1=32,（128，64，32，32）
卷积核公式：(初始维数+2*padding-kernel_size+1)/stride(向上取整)
而后经过【2，2，2，2】次卷积，就是2个layer1，2个layer2，2个layer3，2个layer4
这里要注意make_layer会有一个shortcut的过程，就是将维数变为一致，因为在forward中最后有一个相加的过程
在stride=1时没有这个过程，在stride=2时存在这个过程。
两层的stride不同，只有第一层有shortcut的过程
经过layer1：（128，64，32，32）->（128，64，32，32）->（128，64，32，32）
经过layer2：（128，64，32，32）->（128，128，16，16）->（128，128，16，16）
经过layer3：（128，128，16，16）->（128，256，8，8）->（128，256，8，8）
经过layer4：（128，256，8，8）->（128，512，4，4）->（128，512，4，4）
这里都是转录任务
这是分类任务
out = out.view(out.size(0), -1) 这里out.size(0)是指out第一维的大小（在这为128），-1指直接算出为多少，也可以写为512*4*4，就是一个变化将这个4维向量变为2维向量。（avg_pool2d不太懂）
这里就完成了整个resnet
一些需要尝试的地方
- l BN单元：BN在现代神经网络的进化中占有重要地位，去除BN，会有什么影响？
加快网络的训练和收敛的速度，即我们可以使用较大的学习率
控制梯度爆炸防止梯度消失
防止过拟合
- l 隐藏层宽度：Resnet默认具有四个阶段，每个阶段的输入的频道数都不同，试着降低或者提高这些通道，有什么影响？
- l 训练策略：标准的Resnet训练策略是什么？（CIFAR10)改变这些策略组，会有什么影响？
cifar10：
这里用的是SGD，试试Adam等
可以看看这个CosineAnnealingLR
- l 线性策略（resnet18试试看这个策略用于学习率怎么样）
τ：使训练集遍历几百次
ϵτ：约为ϵ0的1\%1%
ϵ0：检测最早的几轮迭代，选择一个比在效果上表现最佳的学习率更大的学习率[李4]
在τ步迭代之后，一般使ϵ保持常数。
