模型

訓練模式

對於有些使用了Dropout 層的模型，在訓練階段有些神經元是要保持失活狀態的，以保證模型不會發生過擬合的行為。在實際應用時，這些失活的神經元則會全部啟用，全部參與到資料的處理中去：

將模型轉為訓練模式：

model.train()

將模型轉為評估模式：

model.eval()

卷積層與全連線層的連線

卷積層出來的都是特徵圖，屬於一堆堆的矩形，而它們下一級的全連線層則屬於一維的向量。如何將從卷積層出來的資料與全連線層的資料完美連線？在model的 forward 函式中使用如下程式碼：

class Net(nn.Module):
    def
 
 __init__(self):
        super(DQN, self).__init__()
        self.conv1 = nn.Conv2d(3, 16, kernel_size=5, stride=2)
        self.bn1 = nn.BatchNorm2d(16)
        self.conv2 = nn.Conv2d(16, 32, kernel_size=5, stride=2)
        self.bn2 = nn.BatchNorm2d(32)
        self.fc1 = nn.Linear(3808,448)
        self.dropout = nn.Dropout()
        self.head = nn.Linear(448
 
, 2)

    def forward(self, x):
        x = F.relu(self.bn1(self.conv1(x)))
        x = F.relu(self.bn2(self.conv2(x)))
        x = x.view(-1, 3808) # it's very important,without it, we wouldn't konw how to calculate it
        x = self.fc1(x)
        return self.head(x.view(x.size(0), -1))