关于我

我是UEvelyn，专注于前后端技术栈，CI/CD自动化，自动化测试，计算机视觉和深度学习领域。
持续刷leetcode，保持算法习惯，用图解搭建思维模型。

本来没想过建站的，之前工作都是在内网写confluence文档，记OneNote。
然后就GG了，裁员很突然以及没有任何准备的被锁了所有权限，现在全凭记忆在复盘以前的工作（此时回想起曾经老师的谆谆教诲：“备份！备份！”🥲
悔不当初，好在这么些年下来还是有记一些东西的，慢慢地捡起来，总结再输出。

其实也不知道现在的公司到底想要什么样的人，总有加不完的条件，总有更优秀的Candidate；
有的时候觉得很痛苦，明明学了那么多年了放弃的话很不值得，再坚持的话又觉得自己已经好疲惫了也许某一天会垮掉；
有时候我在半夜的出租房里望着天花板掉眼泪，觉得自己像一根在不同的火柴盒里搬来搬去的潮湿的火柴，等待着干透和燃烧的一天；
有时候我在早高峰的地铁上发呆，觉得大家像船舱里的沙丁鱼，很拥挤了但还是被裹挟着在狭小的空间里不停游动。

我想了好多，想得头痛，想得难以入眠，但现在我不想再想了，我总得做些什么，写些什么，输出些什么，即使可能没有任何人看到。

希望我明天也能好好生活，默默学习，持续记录，不管结果如何至少能获得一点心灵上的平和与稳定。
希望你们今天也开心，祝好。

关于本站

会持续更新，包括但不限于概念原理、编程、算法、系统设计、工具使用等内容。
有道云笔记/WPS文档/线下笔记/leetcode题解持续更新/迁移中……
Archive随机，技术栈Tag归类, 欢迎Follow! (虽然大概率没什么人Follow…🤫)

联系我

面经、职业建议、合作咨询、技术交流等请联系：
📧 邮箱：shuningEvelyn@gmail.com
(其实也不怎么看邮件…🫠)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

## 1. 卷积层

### `torch.nn.Conv2d`
二维卷积层  
输入的尺度是`(N, Cin, H, W)`，输出尺度`(N, Cout, Hout, Wout)`

```python
nn.Conv2d(
    in_channels, 
    out_channels, 
    kernel_size, 
    stride=1, 
    padding=0, 
    dilation=1, 
    groups=1, 
    bias=True
)

Parameters:

• in_channels (int) - 输入信号的通道数
• out_channels (int) - 卷积产生的通道数
• kernel_size (int or tuple) - 卷积核的尺寸
• stride (int or tuple, optional) - 卷积步长，默认为1
• padding (int or tuple, optional) - 输入的每一条边补充0的层数，默认为0
• dilation (int or tuple, optional) - 卷积核元素之间的间距，默认为1
• groups (int, optional) - 从输入通道到输出通道的阻塞连接数，默认为1
• bias (bool, optional) - 如果bias=True，添加可学习的偏置到输出中

torch.nn.ConvTranspose2d

对由多个输入平面组成的输入图像应用二维转置卷积操作

1
2
3
4
5
6
7
8
9
10
11

nn.ConvTranspose2d(
    in_channels, 
    out_channels, 
    kernel_size, 
    stride=1, 
    padding=0, 
    output_padding=0, 
    groups=1, 
    bias=True, 
    dilation=1
)

Parameters:

• in_channels (int) - 输入信号的通道数
• out_channels (int) - 卷积产生的通道数
• kernel_size (int or tuple) - 卷积核的大小
• stride (int or tuple, optional) - 卷积步长
• padding (int or tuple, optional) - 输入的每一条边补充padding = kernel - 1 - padding，即(kernel_size - 1)/2个0的层数
• output_padding (int or tuple, optional) - 在输出的每一个维度的一边补充0的层数
• dilation (int or tuple, optional) - 卷积核元素之间的间距
• groups (int, optional) - 从输入通道到输出通道的阻塞连接数
• bias (bool, optional) - 如果bias=True，添加偏置

torch.utils.data.DataLoader

1
2
3
4
5
6
7
8
9
10
11
12
13

torch.utils.data.DataLoader(
    dataset,
    batch_size=1,
    shuffle=False,
    sampler=None,
    batch_sampler=None,
    num_workers=0,
    collate_fn=None,
    pin_memory=False,
    drop_last=False,
    timeout=0,
    worker_init_fn=None
)

Parameters:

• dataset (Dataset): 传入的数据集
• batch_size (int, optional): 每个batch有多少个样本
• shuffle (bool, optional): 在每个epoch开始的时候，对数据进行重新排序
• sampler (Sampler, optional): 自定义从数据集中取样本的策略（与shuffle互斥）
• batch_sampler (Sampler, optional): 与sampler类似，但一次只返回一个batch的indices（与batch_size/shuffle/sampler互斥）
• num_workers (int, optional): 处理data loading的进程数（0表示在主进程加载）
• collate_fn (callable, optional): 将list的sample组成mini-batch的函数
• pin_memory (bool, optional): 设置为True时会将tensors拷贝到CUDA固定内存中
• drop_last (bool, optional): 是否丢弃最后一个不完整的batch（默认为False）
• timeout (numeric, optional): 收集batch的等待时间（>=0）
• worker_init_fn (callable, optional): 每个worker的初始化函数

Torchvision Transforms

1
2
3
4

transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize(mean, std)
])

1. torchvision.transforms.Compose()
   主要作用是串联多个图片变换的操作

2. torchvision.transforms.ToTensor()

   • 将shape为(H, W, C)的numpy.ndarray或PIL Image转为shape为(C, H, W)的tensor
   • 将数值归一化到[0,1]（直接除以255）

3. torchvision.transforms.Normalize()
   对每个通道执行：image = (image - mean) / std
   （ToTensor把0-255变换到0-1，Normalize再把0-1变换到(-1,1)）