#torchvision包的主要功能是實現資料的處理、匯入和預覽等，# 所以如果需要對計算機視覺的相關問題進行處理，
# 就可以借用在torchvision包中提供的大量的類來完成相應的工作
import torch
# torchvision包的主要功能是實現資料的處理，匯入和預覽等
import torchvision
from torchvision import datasets
from torchvision import transforms
from torch.autograd import variable
from collections import ordereddict #orderdict有序字典 模型中使用
#如果獲取的資料是格式或者大小不一的，則還需要進行歸一化和大小縮放等操作
#transforms中提供了豐富的類對載入的資料進行變換,其中有很大一部分可以用於實現資料增強（data argumentation）
#compose類看作是一種容器，它能夠同時對多種資料變換進行組合
#傳入的引數是乙個列表，列表中的元素就是對載入的資料進行的各種變換操作。
transform = transforms.compose([transforms.totensor(),#型別的轉換變化
transforms.normalize(mean=[0.5,0.5,0.5],#資料標準化變換
#標準差變換法方法需要使用原始資料的均值（mean）和標準差（standard deviation）來進行資料的標準化，
# 在經過標準化變換之後，資料全部符合均值為0，標準差為1的標準正態分佈，
std=[0.5,0.5,0.5])])
#transforms中常用的資料變換操作
#1 resize
#用於對載入的資料按我們需求的大小進行縮放,引數可以是乙個整型資料，也可以是乙個類似於（h ,w ）的序列
#2 scale
#用於對載入的資料按我們需求的大小進行縮放
#3 centercrop
# 傳遞給這個類的引數可以是乙個整型資料，也可以是乙個類似於（h ,w ）的序列。
#4 randomcrop
# 用於對載入的按我們需要的大小進行隨機裁剪。
# 傳遞給這個類的引數可以是乙個整型資料，也可以是乙個類似於（h ,w ）的序列
#5 randomhorizontalflip
# 用於對載入的按隨機概率(預設值0.5)進行水平翻轉
#6 randomverticalflip
#用於對載入的按隨機概率(預設值0.5)進行垂直翻轉
#7 totensor
#對載入的資料進行型別轉換，將之前構成pil的資料轉換成tensor資料型別的變數
#8 topilimage
#將tensor變數的資料轉換成pil資料，以方便內容的顯示
#模型搭建和引數優化
# 在順利完成資料裝載後，我們可以開始編寫卷積神經網路模型的搭建和引數優化的**
#卷積層使用torch.nn.conv2d類來搭建
# 啟用層使用torch.nn.relu 類方法來搭建
# 池化層使用torch.nn.maxpool2d類方法來搭建
# 全連線層使用 torch.nn.linear 類方法來搭建
class model(torch.nn.module):
def __init__(self):
super(model, self).__init__()
self.conv1 = torch.nn.sequential(
#使用了兩個卷積層：乙個最大池化層和兩個全連線層
#conv2d 輸入引數有輸入通道數、輸出通道數、卷積核大小、卷積核移動步長和paddingde值。
#輸入通道數的資料型別是整型，用於確定輸入資料的層數；
#輸出通道數的資料型別也是整型，用於確定輸出資料的層數；
#卷積核大小的資料型別是整型，用於確定卷積核的大小；
#卷積核移動步長的資料型別是整型，用於確定卷積核每次滑動的步長；
#paddingde 的資料型別是整型，值為0時表示不進行邊界畫素的填充，
# paddingde 如果值大於0，那麼增加數字所對應的邊界畫素層數。
torch.nn.conv2d(1, 64, kernel_size=3, stride=1, padding=1),
torch.nn.relu(),
torch.nn.conv2d(64, 128, kernel_size=3, stride=1, padding=1),
torch.nn.relu(),
#最大池化層，主要的輸入引數是池化視窗大小、池化視窗移動步長和padding的值。
torch.nn.maxpool2d(stride=2, kernel_size=2))
self.dense = torch.nn.sequential(
torch.nn.linear(14 * 14 * 128, 1024),
torch.nn.relu(),
#dropout類用於防止卷積神經網路在訓練的過程中發生過擬合
#其工作原理簡單來說就是在模型訓練的過程中，以一定的隨機概率將卷積神經網路模型的部分引數歸零，
# 以達到減少相鄰兩層神經連線的目的。
torch.nn.dropout(p=0.5),
torch.nn.linear(1024, 10)
)def forward(self, x):
x = self.conv1(x)
#引數實現扁平化
#如果不進行扁平化，則全連線層的實際輸出的引數維度和其定義輸入的維度將不匹配，程式將會報錯
x = x.view(-1, 14 * 14 * 128)
#通過self.dense定義的全連線層進行最後的分類。
x = self.dense(x)
return x
gitlab ci搭建和使用
關於選擇ce ee版本，請看 這裡選擇ee版本，如果方便日後加入ee版的功能，如果不購買license，功能就和ce版本差不多 first install sudo apt get update sudo apt get install y curl openssh server ca certif...
NFS搭建和部署
安裝部署 兩個伺服器乙個客戶端,乙個服務端 共享過去就覆蓋了以前的東西 安裝nfs utils，rpcbind，提供nfs共享的服務為nfs，完成安裝以後建議調整兩個服務的自啟動狀態，以便每次開機後自動啟動。手動載入nfs共享服務時，應該先啟動rpcbind，然後在啟動nfs。因為nfs要向rpc註...
SVNserver搭建和使用
svnserver搭建和使用 svnserverclient以及環境的搭建和使用 1.為什麼要用visualsvn server，而不用subversion？回答 由於假設直接使用subversion，那麼在windows 系統上，要想讓它隨系統啟動。就要封裝svn server為windws se...