1. 图像数据格式
- 灰度图像 ：单通道，像素值范围通常0-255，形状为(H, W)或(1, H, W)
- 彩色图像 ：三通道(RGB)，形状为(3, H, W)或(H, W, 3)
 2. 模型定义要点
- 由多个神经网络层组成（卷积层、全连接层等）
- 每层包含可训练参数（权重和偏置）
- 需要定义前向传播(forward)逻辑
3. 显存占用的4个主要部分

a. 模型参数+梯度参数

# 以PyTorch为例，每个参数会占用：
显存 = 参数数量 × 4字节（float32）
梯度占用相同大小的显存

b. 优化器参数

# 例如Adam优化器会为每个参数保存：
- 一阶动量（m）
- 二阶动量（v）
# 显存占用 = 参数数量 × 4 × 2

c. 数据批量所占显存

显存 = batch_size × 单样本数据量 × 4字节

d. 神经元输出中间状态

# 前向传播时各层的输出需要保存
# 用于反向传播计算梯度
显存 ≈ Σ(各层输出张量大小 × batch_size × 4)

4.batchisize和训练的关系

import torch
import torch.nn as nn
from torch.utils.data import DataLoader# 1. 定义简单模型
class SimpleModel(nn.Module):def __init__(self):super().__init__()self.fc = nn.Linear(10, 2)  # 10维输入到2维输出# 2. 创建模拟数据集
data = torch.randn(1000, 10)        # 1000个样本
targets = torch.randint(0, 2, (1000,)) 
dataset = torch.utils.data.TensorDataset(data, targets)# 3. 不同batch_size的影响对比
for batch_size in [1, 32, 1024]:loader = DataLoader(dataset, batch_size=batch_size, shuffle=True)model = SimpleModel()optimizer = torch.optim.SGD(model.parameters(), lr=0.01)# 训练监控print(f"\nBatch Size: {batch_size}")for epoch in range(3):for x, y in loader:optimizer.zero_grad()output = model(x)loss = nn.CrossEntropyLoss()(output, y)loss.backward()optimizer.step()print(f"Epoch {epoch} Loss: {loss.item():.4f}", end='\r')

关键点说明：
1. batch_size=1 （随机梯度下降）：
   
   - 每个样本更新一次参数
   - 损失波动剧烈（高方差）
   - 适合在线学习场景
2. batch_size=32 （常用值）：
   
   - 平衡了梯度稳定性和计算效率
   - 损失曲线相对平滑
3. batch_size=1024 （大批量）：
   
   - 梯度方向最稳定
   - 需要更大的学习率（可用线性缩放规则）
   - 可能需梯度累积（若显存不足）