钦州市网站建设_网站建设公司_数据备份_seo优化

一、图像数据的格式

1.灰度图像

基本特性：

• 单通道：每个像素仅 1 个值 (0~255)，表示亮度
• 存储：8 位 / 像素 (1 字节)，文件体积小
• 视觉效果：从黑 (0) 到白 (255) 的灰度渐变，无色彩信息

2.彩色图像

RGB 色彩模型：

• 三通道：红 (R)、绿 (G)、蓝 (B)，各 8 位 (0~255)
• 存储：24 位 / 像素 (3 字节)，文件体积大
• 色彩表示：可组合出 1600 万 + 种颜色
• 示例：纯红 (255,0,0)，纯绿 (0,255,0)，纯白 (255,255,255)

结构化数据与图像数据差异点：

结构化数据（如表格）的形状通常是 (样本数, 特征数)，例如 (1000, 5) 表示 1000 个样本，每个样本有 5 个特征。图像数据的形状更复杂，需要保留空间信息（高度、宽度、通道），因此不能直接用一维向量表示。其中颜色信息往往是最开始输入数据的通道的含义，因为每个颜色可以用红绿蓝三原色表示，因此一般输入数据的通道数是 3。

在 PyTorch 中，图像数据的形状通常遵循 (通道数, 高度, 宽度) 的格式（即 Channel First 格式），这与常见的 (高度, 宽度, 通道数)（Channel Last，如 NumPy 数组）不同。---注意顺序关系

注意点：

1. 如果用matplotlib库来画图，需要转换下顺序。

2. 模型输入通常需要批次维度（Batch Size），形状变为 (批次大小, 通道数, 高度, 宽度)。例如，批量输入 10 张 MNIST图像时，形状为 (10, 1, 28, 28)。

二、图像相关的神经网络的定义

1.黑白图像模型的定义

黑白图像模型是针对 “黑白 / 灰度图像”（单通道像素矩阵）设计的神经网络，核心还是 CNN，但输入层只接收 “单个通道” 的像素数据（区别于彩色图像的 3 个通道）。
这里的 “黑白图像” 包含两类：

• 灰度图：每个像素用 0~255 的数值表示亮度（黑 = 0，白 = 255，中间是灰色）；
• 二值图：每个像素只有 0 或 1（纯黑或纯白，比如扫描的文档、铁路轨道的轮廓图）。

简单说：黑白图像模型是 “专门看黑白画布的智能眼睛”，因为输入数据更简单（单通道），模型通常更轻量化、训练更快。

2.彩色图像模型的定义

彩色图像模型是专门处理彩色图像（多通道像素矩阵）的深度学习神经网络，核心仍是「卷积神经网络（CNN）」，但输入数据是包含颜色信息的多通道像素矩阵（最常用 RGB 三通道），能同时提取图像的「亮度特征」和「颜色特征」，最终实现彩色图像的分类、检测、分割等任务。
简单说：彩色图像模型是 “能看懂彩色画布的智能眼睛”—— 相比黑白图像模型（只看亮度），它多了 “识别颜色” 的能力，能利用颜色信息提升任务准确率（比如区分红色、黄色、绿色的铁路信号）。

3.模型定义与batchsize的关系

模型定义（网络结构本身）与 BatchSize 完全无关——BatchSize 是 “训练 / 推理时每次喂给模型的样本数量”，仅影响模型的输入数据维度、训练效率、显存占用、收敛效果，但不会改变模型的层结构、参数数量等核心定义。
简单说：模型定义是 “造一辆车的设计图纸”（确定车的骨架、发动机、轮子），BatchSize 是 “每次往车里装多少货物”—— 图纸不会因为装的货物多少而改变，但装货量会影响车的行驶效率、油耗、运输速度。

class MLP(nn.Module): def __init__(self): super().__init__() self.flatten = nn.Flatten() # nn.Flatten()会将每个样本的图像展平为 784 维向量，但保留 batch 维度。 self.layer1 = nn.Linear(784, 128) self.relu = nn.ReLU() self.layer2 = nn.Linear(128, 10) def forward(self, x): x = self.flatten(x) # 输入：[batch_size, 1, 28, 28] → [batch_size, 784] x = self.layer1(x) # [batch_size, 784] → [batch_size, 128] x = self.relu(x) x = self.layer2(x) # [batch_size, 128] → [batch_size, 10] return x

三、显存占用的主要组成部分

显存一般被以下内容占用：

• 模型参数与梯度：模型的权重（Parameters）和对应的梯度（Gradients）会占用显存，尤其是深度神经网络（如 Transformer、ResNet 等），一个 1 亿参数的模型（如 BERT-base），单精度（float32）参数占用约 400MB（1e8×4Byte），加上梯度则翻倍至 800MB（每个权重参数都有其对应的梯度）。
• 部分优化器（如 Adam）会为每个参数存储动量（Momentum）和平方梯度（Square Gradient），进一步增加显存占用（通常为参数大小的 2-3 倍）
• 其他开销。

1.模型参数与梯度（FP32 精度）

2.优化器状态

SGD

- SGD优化器**不存储额外动量**，因此无额外显存占用。

- SGD 随机梯度下降，最基础的优化器，直接沿梯度反方向更新参数。

- 参数更新公式：w = w - learning_rate * gradient

Adam

- Adam优化器：自适应学习率优化器，结合了动量（Momentum）和梯度平方的指数移动平均。

- 每个参数存储动量（m）和平方梯度（v），占用约 `101,770 × 8 Byte ≈ 806 KB`

- 动量（m）：每个参数对应一个动量值，数据类型与参数相同（float32），占用 403 KB。

- 梯度平方（v）：每个参数对应一个梯度平方值，数据类型与参数相同（float32），占用 403 KB。

3.数据批量（batch_size）的显存占用

单张图像尺寸：1×28×28（通道×高×宽），归一化转换为张量后为float32类型

- 单张图像显存占用：1×28×28×4 Byte = 3,136 Byte ≈ 3 KB

批量数据占用：batch_size × 单张图像占用

- 例如：batch_size=64`时，数据占用为 64×3 KB ≈ 192 KB

- batch_size=1024 时，数据占用为 1024×3 KB ≈ 3 MB

4.前向/反向传播中间变量

对于两层MLP，中间变量（如layer1的输出）占用较小：

- batch_size×128维向量：batch_size×128×4 Byte = batch_size×512 Byte

- 例如batch_size=1024时，中间变量约512 KB

在 PyTorch 中，在使用DataLoader加载数据时，如果不指定batch_size参数，默认值是1。即每次迭代返回一个样本。这与一次性使用全部数据进行训练是完全不同的概念。如果想要一次性使用全部数据进行训练，需要手动将batch_size设置为数据集的大小，但对于大型数据集，这样做通常会导致内存不足，因为一次性将所有数据加载到内存中可能会超出硬件的内存限制。

大规模数据时，通常从16开始测试，然后逐渐增加，确保代码运行正常且不报错，直到出现 内存不足（OOM）报错 或训练效果下降，此时选择略小于该值的 batch_size。

训练时候搭配 nvidia-smi 监控显存占用，合适的 batch_size = 硬件显存允许的最大值 × 0.8（预留安全空间），并通过训练效果验证调整。

@浙大疏锦行