- 图像数据的格式：灰度和彩色数据
图像数据在深度学习中以张量形式存储，核心区别是通道数，PyTorch 中张量形状为 (通道数, 图像高度, 图像宽度)（与 PIL/OpenCV 的(高,宽,通道)格式不同，需转换）。
1.1 灰度图像数据
通道数：1（单通道，仅亮度信息）
形状示例：MNIST 手写数字（28×28 像素）的张量形状为 (1, 28, 28)
数据范围：原始像素值通常是 0-255（整数），训练前需归一化到 0-1（浮点型）
1.2 彩色图像数据
通道数：3（RGB 三通道，红、绿、蓝）
形状示例：CIFAR-10 数据集（32×32 像素）的张量形状为 (3, 32, 32)
数据范围：同灰度图，需将0-255归一化到0-1
- 图像任务的模型定义（以 CNN 为例）
图像任务常用卷积神经网络（CNN），核心层包括卷积层（提取特征）、池化层（降维）、全连接层（分类）。
- 显存占用的 4 种地方
GPU 显存是训练图像模型的核心资源限制，主要占用场景包括：
a. 模型参数 + 梯度参数
模型参数：模型的权重、偏置（如卷积层的 kernel、全连接层的 weight）
梯度参数：反向传播时计算的参数梯度（每个参数对应一个梯度，占用显存与参数等量）
b. 优化器参数
不同优化器会额外存储参数（如动量、二阶矩）：
SGD：仅需模型参数 + 梯度，显存占用少；
Adam：需存储动量（m）和二阶矩（v），显存占用是模型参数的 3 倍（参数 + 梯度 + 动量 + 二阶矩）。
c. 数据批量所占显存
单批次数据的显存占用 = batch_size × 单张图像的字节数：
单张 CIFAR 图（3×32×32，float32）：3×32×32×4字节=12288字节≈12KB
若batch_size=128：128×12KB≈1.5MB
batch_size 越大，这部分显存占用越高。
d. 神经元输出中间状态
前向传播时，各层的输出需要保存，用于反向传播的梯度计算：
- batchsize 和训练的关系
batchsize（批次大小）是训练中显存与训练效果的核心平衡项，影响如下：
