我关注 this tutorial on towardsdatascience.com 是因为我想使用 Pytorch 尝试 MNIST 数据集，因为我已经使用 keras 完成了它。
所以在第 2 步中，他们更好地了解数据集，打印 trainloader 的形状并返回 torch.Size([64, 1, 28, 28])。我知道 64 是该加载程序中的图像数量，并且每个图像都是 28x28 图像，但是 1 到底是什么意思？
【问题讨论】：
这是输入中的通道数。在 MNIST 数据集中，图像是灰度的，因此图像的形状是[28, 28, 1]。请注意，pytorch 将第一个维度设置为通道维度。
当然，一旦作为批次加载，总输入形状就是你得到的那个。
请参阅MNIST dataset 链接，其中指出：
来自 NIST 的原始黑白（双层）图像大小为 标准化以适合 20x20 像素框，同时保留其外观 比率。生成的图像包含灰度级，因为 归一化算法使用的抗锯齿技术。这 通过计算质心，图像以 28x28 图像为中心 的像素，并平移图像以定位该点 位于 28x28 字段的中心。
【讨论】：
plt.imshow(images[0].numpy().squeeze()) 显示图像，结果显示的是彩色图片
matplotlib.pyplot.imshow() 将图像推断为热图，这就是您获得颜色的原因。当您执行images[0].numpy().squeeze() 时，您“删除”了通道维度，因此您得到一个二维矩阵，其值是一种热图
这将表明数据集中存在的批次数。将其视为组，因此我们有 1 批 64 张图像，或者您可以更改它，例如，有 2 批，每批 32 张图像。批量大小通常会影响模型的计算复杂度。 当然，根据使用的库（尤其是在训练/测试循环中），如果您只使用 1 个批次或 X 个批次，代码看起来会略有不同。
例如（epochs/iterations = 50）：假设您正在训练批大小 = 1 的数据集，在训练循环中您只需编写训练模型 epoch 时间。但是，对于批量大小 = x，您必须为每个时期以及每个批次/组循环。
【讨论】：
总之，
它只是您的28x28 图片的频道数
【讨论】：