好好学习才能玩-CSDN博客

好好学习才能玩

码龄4年

4,692

总访问量
12

原创
0

粉丝
45

关注

IP 属地：江西省

加入CSDN时间： 2022-12-30

查看详细资料

个人成就

获得130次点赞
内容获得1次评论
获得61次收藏
博客总排名69,717名
原力等级

原力等级

1

原力分

0

本月获得

90

TA关注的专栏 1

TA关注的收藏夹 0

TA关注的社区 5

TA参与的活动 0

兴趣领域设置

编程语言

c语言

创作活动更多

编程达人挑战赛·第12期

作为写代码的你，是否也渴望被更多人看到？技术人员普遍有一个共性——明明技术很强，却没人知道你做了什么；花了很多时间踩坑，却没人因你少走弯路；脑子里有一堆干货，但却不懂如何有效地输出。在如今写代码的人越来越多的时代，能够清晰表达自己思路与技术的人却少之又少。因此，我们发起了这个【编程达人挑战赛】——帮助你将代码变成作品，将技术转化为真正的价值，同时激励更多的人坚持写作与分享。注：活动细则介绍请看此贴：[https://bbs.csdn.net/topics/619791811](https://bbs.csdn.net/topics/619791811)。

725人参与去参加

更多

深度学习入门到入神｜第八关：ReLU 不改变 Shape，为什么却这么重要？

本文围绕 ReLU（Rectified Linear Unit，修正线性单元）展开，从“连续线性变换仍然可以合并”为切入点，说明激活函数为什么能够为神经网络加入非线性表达能力，并结合 Conv → BN → ReLU 梳理三者在 CNN 中各自承担的作用。

博文更新于 10 小时前 ·

深度学习入门到入神｜第八关：ReLU 到底做了什么？为什么神经网络一定需要激活函数？

本文围绕 ReLU（Rectified Linear Unit，修正线性单元）展开，讲清 nn.ReLU() 和 F.relu(x) 到底做了什么。通过公式 f(x)=max(0,x) 和实际 Tensor 数值变化，解释 ReLU 为什么会把负值截断为 0、保留正值，以及为什么它通常不会改变 Tensor Shape。进一步从“连续线性变换仍然可以合并”为切入点，说明激活函数为什么能够为神经网络加入非线性表达能力，并结合 Conv → BN → ReLU 梳理三者在 CNN 中各自承担的作用。

博文更新于 10 小时前 ·

深度学习入门到入神｜第七关：nn.BatchNorm2d(64) 里的 64 到底是什么？为什么必须和通道数对应？

nn.BatchNorm2d(64) 里的 64 不是 Batch Size，而是输入 Tensor [B,C,H,W] 中的 Channel 数 C。当 Conv2d(..., out_channels=64) 输出 [B,64,H,W] 后，后面的 BatchNorm2d(64) 就负责处理这 64 个 Channel。BN 会把每个 Channel 分开，在对应的 B×H×W 元素上计算统计量并调整数值，因此它改变的是 Tensor 内部的数值，而不是 Shape，输出仍然保持 [B,C,H,W]。

博文更新于前天 22:21 ·

深度学习入门第七关：BatchNorm2d(64) 里的 64 到底是什么？BN 到底在归一化什么？

本文围绕 nn.BatchNorm2d(64) 展开，重点解释其中的 64 为什么对应 Channel。通过 [8,64,32,32] 的 Tensor Shape，讲清 BatchNorm2d如何按 Channel 分别统计 B、H、W 维度上的特征，并进一步理解均值、方差、标准化、可学习参数 γ 和 β，以及 Conv → BN → ReLU 为什么会成为 CNN 中常见的基础结构。文章同时梳理了 BN 对 Tensor Shape 的影响，以及训练和测试阶段下 BatchNorm 行为区别。

博文更新于前天 21:58 ·

深度学习入门到入神·秘境地图01：从 Tensor 到 Residual，前六关知识路线图

本文作为“深度学习入门到入神”系列的第一张秘境地图，对前六关 Tensor、Conv2d、Pooling、Flatten、GAP 与 Residual 进行阶段性梳理。文章不引入新的知识点，而是围绕 Tensor Shape 的变化，将六个看似独立的概念重新串联起来，明确当前已经具备的代码阅读、Shape 推导与基础网络结构理解能力。同时通过若干基于前六关知识延伸出的隐藏问题，帮助初学者检查自己是否真正理解了各知识点之间的联系，并确定目前在深度学习学习路线中的位置。

博文更新于前天 17:07 ·

深度学习入门第六关：Residual 到底是什么？为什么 x + F(x) 可以直接相加？

本文从 PyTorch 中最常见的 out = F(x) + x 出发，系统讲解 Residual Connection（残差连接）的核心思想。通过 Tensor Shape 变化解释为什么两个特征相加前需要对齐、为什么 64 Channel 和 128 Channel 不能直接 Add，以及 1×1 Conv 如何完成 Channel 和空间尺寸匹配。同时结合 Shortcut（跳跃连接）、Add 与 Cat 的区别，帮助初学者从“会看代码”进一步理解 ResNet 中残差结构为什么能够帮助深层网络训练。

博文更新于 2026.08.16 ·

深度学习入门到入神·悟道篇01：Tensor 变形术——Flatten、GAP、mean、keepdim 到底差在哪？

本篇作为“深度学习入门到入神·悟道篇 01”，集中梳理 torch.flatten(x,1)、AdaptiveAvgPool2d((1,1))、mean(dim=(2,3)) 和 keepdim=True 四种常见 Tensor 操作。通过统一输入 [8,128,8,8] 对比它们的计算方式、输出 Shape 和实际用途，帮助初学者真正理解维度变化，而不是只会机械记代码。

博文更新于 2026.08.16 ·

深度学习入门第五关：Global Average Pooling 到底是什么？为什么能把 [8,128,8,8] 变成 [8,128]？

Global Average Pooling（GAP）是 CNN 中非常常见的操作。本文从 [8,128,8,8] 的 Tensor 出发，结合 nn.AdaptiveAvgPool2d((1,1)) 的完整代码，讲清 GAP 如何把每个 Channel 的整张 Feature Map 求平均并压缩为 1×1，为什么 Channel 数不变，以及 GAP 与普通 Average Pooling、Flatten 的核心区别。

博文更新于 2026.08.15 ·

深度学习入门第四关：torch.flatten(x, 1) 到底是什么意思？

torch.flatten(x, 1) 是 PyTorch 中非常常见的操作，但很多初学者并不理解其中的 1 到底代表什么。本文从 Tensor 的 [B,C,H,W] 结构出发，讲清 Flatten 如何把 [8,128,8,8] 变成 [8,8192]，并解释 Batch、全连接层、空间结构以及 Flatten 与 GAP 的区别。

博文更新于 2026.08.14 ·

深度学习入门第三关：Pooling 到底在“池化”什么？MaxPool 和 AvgPool 一次讲明白

把一个局部区域中的多个值压缩成一个值。保留局部最大值。保留局部平均值。常见的H、W 减半C 通常不变↓而 Pooling 和Pooling 使用固定规则下采样；stride=2 Conv 可以一边学习特征，一边完成下采样。

博文更新于 2026.08.14 ·

深度学习入门第二关：Conv2d 到底做了什么？从 [8,3,256,256] 到 [8,64,128,128] 一次讲明白

这一篇最重要的其实只有5句话。

博文更新于 2026.08.13 ·

深度学习入门第一关：Tensor 到底是什么？一次看懂 [B, C, H, W]

B = 一次处理多少个样本C = 有多少个特征通道H = 特征图高度W = 特征图宽度C可能表示RGBC通常表示不同的Feature MapH、W逐渐减小C逐渐增加。

博文更新于 2026.08.13 ·