Stage 1
stage1\generate_train_test.py: 扩增人脸，生成训练集和测试集stage1\data.py: PIL读取图片，灰度图stage1\detector.py: 网络搭建stage1\detector_stage1.prototxt: 网络文件，绘制
任务一: 生成 train/test.txt
stage1\gen_train_test.py
任务二：网络搭建
- 数据在网络中的维度顺序是什么?
N x C x H x W。N：个数，C：通道数， H：高， W：宽
- nn.Conv2d()中参数含义与顺序?
in_channels (int): Number of channels in the input image
out_channels (int): Number of channels produced by the convolution
kernel_size (int or tuple): Size of the convolving kernel
stride (int or tuple, optional): Stride of the convolution. Default: 1
padding (int or tuple, optional): Zero-padding added to both sides of the input. Default: 0
padding_mode (string, optional). Accepted values zeros and circular Default: zeros
dilation (int or tuple, optional): Spacing between kernel elements. Default: 1
groups (int, optional): Number of blocked connections from input channels to output channels. Default: 1
bias (bool, optional): If True, adds a learnable bias to the output. Default: True
- nn.Linear()是什么意思?参数含义与顺序?
线形变换
in_features: size of each input sample
out_features: size of each output sample
bias: If set to False, the layer will not learn an additive bias. Default: True
- nn.PReLU()与 nn.ReLU()的区别?示例中定义了很多 nn.PReLU()，能否只定义一个 PReLU?
PReLU和ReLU的区别在于，x小于0时的取值，ReLU为0，PReLU为ax，其中a是一个可以学习的参数。 可以只定义一个PReLU函数，但为了forward计算一步到位，我们一般定义多个激活函数。
- nn.AvgPool2d()中参数含义?还有什么常用的 pooling 方式?
kernel_size: the size of the window
stride: the stride of the window. Default value is :attr:kernel_size
padding: implicit zero padding to be added on both sides
ceil_mode: when True, will use ceil instead of floor to compute the output shape
count_include_pad: when True, will include the zero-padding in the averaging calculation
divisor_override: if specified, it will be used as divisor, otherwise attr:kernel_size will be used
常用的还有max pooling, power-average pooling, adaptive average pooling
- view()的作用?
flatten降维，把数据按照行优先的顺序排成一个一维的数据，然后按照参数组合成其他维度的tensor
任务五：Train部分
optimizer.zero()与optimizer.step()的作用是什么？
ptimizer.zero()每次计算新的grad时，要把原来的梯度清0。optimizer.zero_grad()可以自动完成这个操作，把所有Variable的grad成员数值变为0
optimizer.step()是在每个Variable的grad都被计算出来后，更新每个Variable的数值。
model.eval()产生的效果?
model.train()启用BatchNormalization和Dropout，而model.eval()用于验证时，不启用BatchNormalization和Dropout。
model.state_dict()的目的是？
将每一层与它的对应参数建立映射关系。
- 何时系统自动进行bp？
调用loss.backward()后并且Tensor的requires_grad为True。
- 如果自己的层需要bp，如何实现？如何调用？
通过设置requires_grad参数，训练需要bp的层而冻结其他层。
Stage 2
stage2\data_augmentation.py: 利用图片饱和度进行增广，增广图片于data/stage2stage2\generate_train_test.py: 扩增人脸，生成训练集和测试集stage2\data.py: 读取数据，去掉normalizestage2\detector.py: 网络搭建，训练优化器换做Adam，Finetune用SGD
Stage 3
stage3\not_face_generate.py: 生成非人脸数据集，iou<0.3stage3\data.py: 读取数据stage3\detector.py: Resnet网络搭建stage3\detector.prototxt: 网络文件