Baseline的理解：
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])
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()
loss.backward()
但optimizer.step()的作用是？
7、网络最后输出5个11类的概率
output = np.concatenate([ c0.data.numpy(), c1.data.numpy(),...] )
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]）
9.将概率转换为分类label
val_predict_label = np.vstack([ val_predict_label[:, :11].argmax(1),....])
分类label转换为str
val_label_pred.append(''.join(map(str, x[x!=10])))
10、test基本与val的过程相同，除了没有loss（需要提交）
11、注意看数据集的标注格式
问题：
1.num_workers 是做什么？
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？
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] 】
参考资料：
torch常用代码段：
https://bbs.cvmart.net/topics/1472
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：