这是第二次参加百度飞桨的课程了，依然没有好好学习。。都是踩着“及格线”而已，太不争气了，嗯，写个小小的心得
首先附上飞桨的api链接
还有详细的安装模块讲解，简单案例，经典案例，进阶内容等等
然后是项目里自己最近尝试修改过的部分
1.数据打乱
老师提供的案例是先得到训练集数据的索引，然后将索引打乱，从而达到打乱训练集数据的目的。打乱训练集数据的原因是：网络对最近得到的数据的印象较深，除非特殊任务本身对日期等有限制，都会事先打乱训练集，增加数据的随机性，使网络训练效果更好（泛化能力，不打乱，如果最后的一个batch里的数据有较相似的特征，网络可能比较偏）
此处是通过索引来乱序的代码：
事先得到数据集train_set,包含图片和标签：
imgs, labels = train_set[0], train_set[1]
#获得数据集长度
imgs_length = len(imgs)
#定义数据集每个数据的序号，根据序号读取数据
index_list = list(range(imgs_length))
#读入数据时用到的批次大小
BATCHSIZE = 100
#随机打乱训练数据的索引序号
random.shuffle(index_list)
或者可以直接用shuffle打乱数据：
np.random.shuffle(training_data)
我当时交作业好像用了其他的，找不到这两种方法写哪个课件里了
作业是这样写的：
#乱序
train_reader = fluid.io.shuffle(train_reader, 8)
train_reader是读取的训练数据集，buffer_size为8，用的是飞桨的api
2.数据归一化问题
一开始的案例是房价预测，用的是全连接层来解决，其中一个步骤是，将输入数据归一化，（大概）是有平移偏移的0-1分布，然后我总记得有个激活函数来着，里面有一个sigmoid，就一直以为激活函数不仅是有非线性功能，还提供网络某一层输出的归一化的作用
所以当时听课的时候对于“只有对输入数据进行归一化”，有一点疑惑，
后来想想relu并不是只介于0-1的，所以激活函数主要还是提供非线性功能吧，不知道网络具体怎么计算，才能得出，全连接层之后不需要跟一个归一化的过程的，
现在想一想，我当时疑惑的应该是输入归一化，网络输出后跟标签做计算，loss会不会太大
先写两点吧~