本文记录 Docker 容器迁移的实现方法。

Git 的 临时改动管理可以依赖 Stash 方法。

上一节中我们介绍了怎样定义PyTorch的模型，其中给出的示例都是用torch.nn中的层来完成的。这种定义方式易于理解，在实际场景下不一定利于使用。当模型的深度非常大时候，使用Sequential定义模型结构需要向其中添加几百行代码，使用起来不甚方便。

这里我们来更为系统地学习PyTorch中模型定义的方式，本节的学习将为后续灵活构建自己的模型打下坚实的基础。

优化器是神经网络根据网络反向传播的梯度信息来更新网络的参数，以起到降低loss函数计算值，使得模型输出更加接近真实标签。

在前文基础上，我们已经获得了数据、张量和损失函数， 本文介绍 Pytorch 的进行训练和评估的核心流程 。

模型学习的根源在于需要知道当前模型的问题出在哪，为模型优化指明方向和距离就需要依靠损失函数， 本文介绍 Pytorch 的损失函数 。

在深度学习模型的训练中，权重的初始值极为重要。一个好的初始值，会使模型收敛速度提高，使模型准确率更精确， 本文介绍 Pytorch 的模型初始化 。

长数据流的随机采样可以使用蓄水池采样算法，本文记录相关内容。

之前我们介绍了 双边滤波 的原理，本文记录在双边滤波基础上简单封装的常见应用 —— 联合双边滤波。