未发现代码有不对的地方，请求结果的可能解释==

廖老师，您好
我是您写的<深度学习入门之pytorch>的一名读者。我是深度学习的初学者，并刚开始用python语言和pytorch框架编程。在学到第七章深度学习实战这一章里，猫狗大战，方法一中对数据和标签如何处理以及训练过程不是很明确，deep dream 也存在类似的情况。。。请问有这一章节完整的代码吗？我查阅了您的repository，恰好没有找到。。。希望廖老师能附上完整代码和简要注释（感激不尽）。。。。
谢谢廖老师

语义分割这个代码，想问一下老师什么时候可以支持0.4版本，谢谢

请问老师这个问题怎么解决觉得？

if (e + 1) % 100 == 0: # 每 100 次输出结果
---> 12 print('Epoch: {}, Loss: {:.5f}'.format(e + 1, loss.data[0]))

IndexError: invalid index of a 0-dim tensor. Use tensor.item() to convert a 0-dim tensor to a Python number

如题

按照代码的意思，downsample就是使x经历过1个3x3卷积再进行一次BatchNorm操作再与F(x)相加，为什么要加这一步骤，新手入门PyTorch，求大神解释下

第四个代码块"数据预处理"部分，最后一行，标准化不应该是(x-min_value)/(scalar)吗，为什么您的代码里没有减min_value

img = Variabel(img, volatile=True)

拼写错误！

fcn语义分割的代码。
python main.py train
Traceback (most recent call last):
File "main.py", line 21, in
from data import VocSegDataset, img_transforms, COLORMAP

ImportError: cannot import name 'VocSegDataset'

PR sent in #15

change:

acc = (mask == y_data).sum().data[0] / y_data.shape[0]
if (e + 1) % 200 == 0:
print('epoch: {}, Loss: {:.5f}, Acc: {:.5f}'.format(e+1, loss.data[0], acc))
)

to

acc = (mask == y_data).sum().numpy() / y_data.size()[0]
if (e + 1) % 200 == 0:
print('epoch: {}, Loss: {:.5f}, Acc: {:.5f}'.format(e+1, loss.detach().numpy(), acc)

画出参数更新之前的结果

w0 = w[0].data[0]
w1 = w[1].data[0]
b0 = b.data[0]

plot_x = np.arange(0.2, 1, 0.01)
plot_y = (-w0 * plot_x - b0) / w1 # 上面会导致乘法不能正常操作, 应该讲w0,w1,w2转换成numpy array 才能调通

期待新版书。gluon的教程确实深入浅出，讲的细致，感觉能提升代码力~~~

Anser of the exercise is wrong, the second column of j is wrong due to wrong variable name reference in the code: "m.grad.data.zero_() # 归零之前求得的梯度", change "m" to "x" to fix it.

chapter5_RNN/time-series/lstm-time-series.ipynb

应该是

dataset = list(map(lambda x: (x - min_value ) / scalar, dataset))

tfs.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5]) is wrong and should be revised tfs.Normalize([0.5], [0.5])

老师您好，请问训练完成之后，假如我现在有一张图片，我怎么去利用我训练好的网络去识别呢？还望您百忙之中给予解答，谢谢

code-of-learn-deep-learning-with-pytorch/chapter3_NN/logistic-regression/logistic-regression.ipynb没有提供data.txt，导致示例代码无法允许

72页定义了数据转换：
data_tf=transforms.Compose([transforms.ToTensor(),transforms.Normalize([0.5],[0.5])])
运行之后出错，
RuntimeError: size mismatch, m1: [1792 x 28], m2: [784 x 300] at c:\programdata\miniconda3\conda-bld\pytorch-cpu_1524541161962\work\aten\src\th\generic/THTensorMath.c:2033
书中和deep-nn代码里面的data_tf不同，代码样例里面data_tf有reshape操作

您好，廖老师，感谢你写的书，我在运行你的github代码ch4-CNN.resnet的代码时出现上述错误，这个问题怎么解决呢，感谢

您好，请问书中第4章92页，AlexNet实现，第一层卷积的out_channels=64是为什么？我看网络结构应该是96才能对应上啊？
去网上搜实现代码，发现两个版本都有，请您解释下原因可以吗？谢谢！

附两种实现的网址：
https://www.cnblogs.com/ys99/p/10838998.html

https://www.cnblogs.com/demo-deng/p/10685673.html

under MacOS X 10.13, conda, python 3.6 Matplotlib 2.1.2

1. in plot_decision_boundary:
   change "plt.scatter(x[:, 0], x[:, 1], c=y, cmap=plt.cm.Spectral)" to
   "plt.scatter(x[:, 0], x[:, 1], c=y.reshape(-1), cmap=plt.cm.Spectral)"
2. change "plt.scatter(x[:, 0], x[:, 1], c=y, s=40, cmap=plt.cm.Spectral)" to
   "plt.scatter(x[:, 0], x[:, 1], c=y.reshape(-1), s=40, cmap=plt.cm.Spectral)"

在《RNN 用于时间序列的分析》中用到的飞机流量数据

你好，
我在看您博客上介绍fcn的那篇文章，有个地方不太懂，特来讨教：
最简单的 fcn 前面是一个去掉全连接层的预训练网络，然后将去掉的全连接变为 1x1 的卷积，输出和类别数目相同的通道数，比如 voc 数据集是 21 分类，那么输出的通道数就是 21，然后最后接一个转置卷积将结果变成输入的形状大小，最后在每个 pixel 上做一个分类问题，使用交叉熵作为损失函数就可以了。

通道数为什么也得是21，这个地方不太懂。。

计算loss的函数：

def binary_loss(y_pred, y):
    logits = (y * y_pred.clamp(1e-12).log() + (1 - y) * (1 - y_pred).clamp(1e-12).log()).mean()
    return -logits

前半部分是不是应该使用平均值？即

logits = (y * y_pred.clamp(1e-12).log().mean() + (1 - y) * (1 - y_pred).clamp(1e-12).log()).mean()

作者您好，请问您的网页上进行多项式回归没有用类的方法，但是书中这一问题用了类的方法，那么请问这两种方法用哪种比较适合，谢谢！

It's great to see a new chinese hands-on book for DL. But I noticed several tutorials are very similar https://github.com/mli/gluon-tutorials-zh. It is often recommended to acknowledge the original author. For example, people often put the following sentence at the beginning or end of the tutorial:

This tutorial is motivated (or adapted) from xxx

这是文件开头的import

老师你好，我想问一下为什么要写一个Mxtorch呢，我们自己写代码的时候用什么替代呢？

In[10]:# 画出参数更新之前的结果
w0 = w[0].data[0]
w1 = w[1].data[0]
b0 = b.data[0]

plot_x = np.arange(0.2, 1, 0.01)
plot_y = (-w0 * plot_x - b0) / w1
TypeError
TypeError: mul() received an invalid combination of arguments - got (numpy.ndarray), but expected one of:

• (Tensor other)
  didn't match because some of the arguments have invalid types: (numpy.ndarray)
• (Number other)
  didn't match because some of the arguments have invalid types: (numpy.ndarray)

我的运行环境是Python2.7,pytorch0.3.0

net.py文件中的这段：
vgg = models.vgg19(pretrained=True)
self.feature = nn.Sequential(*list(vgg.children())[:-1])
self.feature.add_module('global average', nn.AvgPool2d(9))

前两行代码的输出尺寸是7*7，而第三行平均池化的卷积核是9，运行后会出现这样的错误：Given input size: (512x7x7). Calculated output size: (512x0x0). Output size is too small

我的pytorch版本是1.6，是不是版本的问题？但按理说，Pytorch版本的迭代不会影响VGG这种经典网络的参数啊。这到底是怎么回事呢？

@L1aoXingyu

作者你好，非常感谢您的分享。这里我提出一点小小的意见。

权重衰减可以通过 torch.optim.lr_scheduler 的相关类如 ExponentialLR完成，从而使权重衰减和训练逻辑分离。作权重衰减相关介绍的时候可以这么来介绍（实际使用也是这么使用比较广泛）。

https://pytorch.org/docs/stable/optim.html#how-to-adjust-learning-rate

作者您好，在chapter5中使用lstm进行时序预测的demo中，请问绘制折线图的plot函数是否存在这问题？窃以为pred_test中的第一个数据应该对应着真实数据集dataset中的第三个数据，请问我的理解是正确的吗？

老师,您好!
能不能分享下Mxtorch的源代码啊,小白刚入门没这个支持库不知道如何独立解决