卷积运算和优化器

​​1. 模型构建与原理​​

包含18层卷积层和2个全连接层的网络结构，整个过程底层依赖矩阵运算。
解释了分类任务的决策过程：通过softmax函数获得各类别置信度，并挑选其中最大值对应的索引作为最终预测类别。

​​2. 模型训练与测试流程​​

分享了训练的核心步骤：前向传播（正向传播）、通过交叉熵损失函数计算损失，并利用SGD优化器进行反向传播以更新模型参数

​​3. 全局平均池化技术（Global Average Pooling）​​

这是一种特殊的池化操作，其池化核大小与输入图片的尺寸完全一致，从而一次性遍历整张图片。
在网络结构中，全局平均池化层的作用是将高维度的特征图（例如6x28x28）压缩为一个固定长度的一维向量（例如6x1），从而大幅减少后续网络的参数量。
它可以作为一种更高效的替代方案，用于代替网络末尾传统的全连接层，实现特征整合。
强调该操作应放置在卷积层之后，以保证能够提取到上层特征，避免直接应用导致信息丢失。

​​4. 卷积层工作原理详解​​

卷积核（Convolution Kernel）的工作机制
完整的卷积核所需参数维度是 [卷积核大小 x 卷积核大小 x 输入通道数]
若有N个卷积核就产生N个输出通道
通过彩色图像（RGB三通道）的例子说明，单个大小为5x5的3D卷积核实际拼接了R、G、B三个通道的信息进行运算

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")判断设备是gpu还是cpu优先使用gpu原因是速度快