Pytorch 焊炬和批次

我很难理解批如何在Pytorch框架中发挥作用

在此模型中：

class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()

        # 28x28x1 => 26x26x32
        self.conv1 = nn.Conv2d(in_channels=1, out_channels=32, kernel_size=3)
        self.d1 = nn.Linear(26 * 26 * 32, 128)
        self.d2 = nn.Linear(128, 10)

    def forward(self, x):
        # 32x1x28x28 => 32x32x26x26
        x = self.conv1(x)
        x = F.relu(x)

        # flatten => 32 x (32*26*26)
        x = x.flatten(start_dim = 1)
        #x = x.view(32, -1)

        # 32 x (32*26*26) => 32x128
        x = self.d1(x)
        x = F.relu(x)

        # logits => 32x10
        logits = self.d2(x)
        out = F.softmax(logits, dim=1)
        return out

---

在正向定义中，我们传入一些

x

，即从数据加载器为批处理传递聚合图像。此处，

32x1x28x28

尺寸表示一批中有32个图像。我们是否忽略了这一事实，而Pytorch将Conv2d应用于每个样本？前向传播似乎只与单个图像相关。

事实上，网络对批次是不可知的：该模型旨在对单个图像进行分类

那么为什么我们需要批量生产呢？
每个模型都有权重（aka参数），需要使用训练图像优化权重，以便模型尽可能正确地对图像进行分类。

---

此优化过程通常使用以下方法执行：我们使用权重的当前值对一批图像进行分类。使用当前模型所做的预测以及我们知道的预期预测（“标签”），我们可以计算权重梯度并改进模型。

事实上，网络对批次不可知：该模型设计用于对单个图像进行分类

那么为什么我们需要批量生产呢？
每个模型都有权重（aka参数），需要使用训练图像优化权重，以便模型尽可能正确地对图像进行分类。

---

此优化过程通常使用以下方法执行：我们使用权重的当前值对一批图像进行分类。使用当前模型所做的预测，以及我们知道的预期预测（“标签”），我们可以计算权重的梯度并改进模型。

如果我正确理解了你，我不会起诉你，如果我没有，我会这么说。基本上，Pytorch使用矩阵乘法，一次计算全部输出，这包括批处理中的所有图像。如果我理解正确，我不是sue，如果我没有理解，那么我就这么说。基本上Pytork使用矩阵乘法，一次性计算输出，这包括批处理中的所有图像。