问题一： 深度学习中的损失函数和应用场景
回归任务：
均方误差函数（MSE）适用于回归任务，如预测房价、预测股票价格等。
import torch.nn as nn
loss_fn = nn.MSELoss()
分类任务：
交叉熵损失函数（Cross-Entropy Loss）适用于分类任务，如图像分类、文本分类等。对于多分类问题，该损失函数可与Softmax激活函数结合使用。
import torch.nn as nn
loss_fn = nn.CrossEntropyLoss()
二分类任务：
二元交叉熵损失函数（Binary Cross-Entropy Loss）适用于二分类问题，如预测是否为垃圾邮件、预测股票涨跌等。对于二分类问题，该损失函数可与Sigmoid激活函数结合使用。
import torch.nn as nn
loss_fn = nn.BCELoss()
问题二： 空洞卷积
灰色部分为卷积核权重
白色部分为空，值为0
dilation rate：空洞率
权重值的间隔为dilation rate - 1
例：m = 3, p = 0, s = 1时
（m表示卷积核大小，p 表示零填充大小（zero-padding）， s 表示步长（stride），d表示空洞率（dilation））
若d=1：
若d=2：
优点：在不增加参数的情况下增大感受野，适用于图片size较大，或需要快速感受全局信息的情况。
通过设置不同的dilation rate捕获多尺度上下文信息，适用于需要捕获图片的多层次的情况，如语义分割等。
问题：存在网格效应，远距离点之间的信息可能不相关。
解决办法：HDC
一、叠加卷积的 dilation rate 不能有大于1的公约数。如 [2, 4, 6] 则不是一个好的三层卷积，依然会出现 gridding effect。解决网格效应
二、将 dilation rate 设计成锯齿状结构，例如 [1, 2, 5, 1, 2, 5] 循环结构。同时捕获远近信息
三、满足：
最常用：
问题三： 残差网络
反向传播路径太长，训练难度增加
问题：
若卷积后的结果与输入X的shape不同， 则不能直接相加
当步长不为1，图片大小发生变化
当通道数与输入通道不同，图片通道数 发生变化
解决：
使用一个1x1的卷积核来改变X的shape，使得其能与卷积后的结果shape相匹配（不知道^ ^
残差模型VS等深卷积：
