Baseline的数据读取和增广理解：
0、数据读取的流程：data--datalist--dataset--dataloader
为什么这样呢？可以看参考文献1.
【若要加速data的 IO 过程，即CPU处理部分减少，GPU部分增加，可以看参考文献2（tf.data+estimator)】
1、取jason文件中的label
train_label = [train_json[x]['label'] for x in train_json]
2、不计算梯度，常用在测试
with torch.no_grad():
3、取模型结果
model_conv = nn.Sequential(*list(model_conv.children())[:-1]) # sequential 不能用list类型数据，用*list
4、图像预处理，常写在compose内，成为一组操作
transforms.Compose([... ])
5、因为model继承了nn.Module，所以必须写super
super(SVHN_Model1, self).__init__()
6. 梯度计算，梯度回传
optimizer.zero_grad() #开始新的一轮batch的参数更新（参数-梯度），先清零
loss.backward() #梯度回传
但optimizer.step()的作用是？ #更新参数 （整个过程：每个batch数据：grad清零，梯度计算回传，更新）
7、网络最后输出5个11类的概率
output = np.concatenate([ c0.data.numpy(), c1.data.numpy(),...] ) #网络输出的tensor转换numpy，拼接
打印batch=40 的 c0.shape，c0:【torch.Size([40, 11]) tensor([[ 4.2841, 0.9551, -2.4691, ..., 0.5105, 0.5173, 0.5255],...】
8.取val的label
val_label = [''.join(map(str, x)) for x in val_loader.dataset.img_label]
（为什么train_label不是这样取？train_label = [train_json[x]['label'] for x in train_json]）
【内置函数map()把一个函数func依次映射到序列或迭代器对象的每个元素上，并返回一个可迭代的map对象作为结果，map对象中每个元素是原序列中元素经过函数func处理后的结果，map()函数不对原序列或迭代器对象做任何修改。】--查可迭代？
9.将概率转换为分类label
val_predict_label = np.vstack([ val_predict_label[:, :11].argmax(1),....]) #0-9数字，再加个占位符，一共11类。？argmax（1）中的1表示什么？
分类label转换为str
for x in val_predict_label:
val_label_pred.append(''.join(map(str, x[x!=10])))
【因为val_predict_label[:, :11].argmax(1), 所以这里的 x 就是这11个位里最大概率的下标索引，如在2位最大，表示这次预测是数字2，如在0位最大，表示这次预测是0，如果是10位最大，表示是填充的--因为onehot编码，预测的数字刚好和onehot的下标对应 】
【例如：某次结果：x: [ 3 5 10 10 10] ，所以val_label_pred: ['11', '333', '35'] 】
10、一旦有一个数字预测错了，整张图acc=0
val_char_acc = np.mean(np.array(val_label_pred) == np.array(val_label))
11、test基本与val的过程相同，除了没有loss（需要提交）
12、注意看数据集的标注格式
问题：
1.num_workers 是做什么？#每次提取数据多进进程
2.feat = feat.view(feat.shape[0], -1)是整理成[5, ?],一定要这样处理么？
为了适应FC的输入，self.fc1 = nn.Linear(512, 11)，但这里是512的输入，11类的输出，feat.shape[0]=512,不是5？【feat是卷积的输出，后接FC layer，整理为FC的输入512，所以512*？，代码最后的输出是5类，但这是5个FC输出的叠加，每个FC输出11】
3.loss是5层结果累加：
loss = criterion(c0, target[:, 0]) + criterion(c1, target[:, 1]) +。。。【target的内容是什么，target[0], target[1] 】#target就是label，因为都是一个batch训练的，所以target[:, 0] 的第一维是batch，第二维是图片第一个字符是数字几。例如：target = '133', target[:,0]='1', target[:,1]='3', target[:,2]='3', target[:,3]='*',target[:,4]=*
参考资料：
pytorch数据读取流程：
https://blog.csdn.net/admintan/article/details/91366551
gpu提高利用率：
https://zhuanlan.zhihu.com/p/53345706
torch常用代码段：
https://bbs.cvmart.net/topics/1472
torch 的梯度更新：
https://blog.csdn.net/yangwangnndd/article/details/95622893
lstm应用：
https://blog.csdn.net/zwqjoy/article/details/86490098
验证码：
https://www.jianshu.com/p/08e9d2669b42
tensor转换numpy
https://blog.csdn.net/xiaosongshine/article/details/84955891
argmax举例：
https://www.cnblogs.com/bonelee/p/8976380.html
关于pytorch中使用pretrained的模型，对模型进行调整：
https://blog.csdn.net/chen_xinjia/article/details/80273592
super相关：
https://blog.csdn.net/zz2230633069/article/details/83539941
多维矩阵
https://blog.csdn.net/qq575379110/article/details/70538051
https://www.cnblogs.com/zhouyang209117/p/6512302.html
读取包的介绍学习笔记