飞桨深度学习架构师训练营-在学习过程中的几点疑问

@飞桨深度学习架构师训练营-在学习过程中的几点疑问
csdn不能上传自己写的md吗?简单的手敲一遍做个总结。
列举了一些在初次看代码时比较疑惑的地方，以及目前对该问题的理解。

一、眼疾数据集分类的训练过程

1.代码

import os
import random
import paddle
import paddle.fluid as fluid
import numpy as np

DATADIR = '/home/aistudio/work/palm/PALM-Training400/PALM-Training400'
DATADIR2 = '/home/aistudio/work/palm/PALM-Validation400'
CSVFILE = '/home/aistudio/labels.csv'

# 定义训练过程
def train(model):
    with fluid.dygraph.guard():
        print('start training ... ')
        model.train()
        epoch_num = 1
        # 定义优化器
        opt = fluid.optimizer.Momentum(learning_rate=0.001, momentum=0.9, parameter_list=model.parameters())
        # 定义数据读取器，训练数据读取器和验证数据读取器
        train_loader = data_loader(DATADIR, batch_size=10, mode='train')
        valid_loader = valid_data_loader(DATADIR2, CSVFILE)
        for epoch in range(epoch_num):
            for batch_id, data in enumerate(train_loader()):
                x_data, y_data = data
                img = fluid.dygraph.to_variable(x_data)
                label = fluid.dygraph.to_variable(y_data)
                # 运行模型前向计算，得到预测值
                logits = model(img)
                # 进行loss计算
                loss = fluid.layers.sigmoid_cross_entropy_with_logits(logits, label)
                avg_loss = fluid.layers.mean(loss)

                if batch_id % 10 == 0:
                    print("epoch: {}, batch_id: {}, loss is: {}".format(epoch, batch_id, avg_loss.numpy()))
                # 反向传播，更新权重，清除梯度
                avg_loss.backward()
                opt.minimize(avg_loss)
                model.clear_gradients()

            model.eval()
            accuracies = []
            losses = []
            for batch_id, data in enumerate(valid_loader()):
                x_data, y_data = data
                img = fluid.dygraph.to_variable(x_data)
                label = fluid.dygraph.to_variable(y_data)
                # 运行模型前向计算，得到预测值
                logits = model(img)
                # 二分类，sigmoid计算后的结果以0.5为阈值分两个类别
                # 计算sigmoid后的预测概率，进行loss计算
                pred = fluid.layers.sigmoid(logits)
                loss = fluid.layers.sigmoid_cross_entropy_with_logits(logits, label)
                # 计算预测概率小于0.5的类别
                pred2 = pred * (-1.0) + 1.0
                # 得到两个类别的预测概率，并沿第一个维度级联
                pred = fluid.layers.concat([pred2, pred], axis=1)
                print('pred', pred)
                acc = fluid.layers.accuracy(pred, fluid.layers.cast(label, dtype='int64'))
                accuracies.append(acc.numpy())
                losses.append(loss.numpy())
            print("[validation] accuracy/loss: {}/{}".format(np.mean(accuracies), np.mean(losses)))
            model.train()

        # save params of model
        fluid.save_dygraph(model.state_dict(), 'palm')
        # save optimizer state
        fluid.save_dygraph(opt.state_dict(), 'palm')

2.疑问
（1）前向计算的结果logits，传入sigmod之后，得到一个分类概率pred，这个概率是属于正样本的概率，还是属于负样本的概率？如果pred特指正样本，那为什么前向计算的结果，一定是属于正样本的概率呢？
pred归属于哪个样本，取决于它对应的label。假设它的label是0，pred是0.55，说明它有55%的概率属于负样本。也就是说pred在和label联系起来之前并没有特指某个种类。
（2）sigmod和softmax
sigmod和softmax都可用于分类问题。
1）sigmod
sigmod能把输入值转换到0~1之间。

sigmod公式：

$y=\frac{1}{1+e^{-x}}$y=1+e−x1​
也有的资料说是下面的这个：
$y=\frac{e^{-x}}{1+e^{-x}}$y=1+e−xe−x​
sigmod曲线趋势
2）softmax
softmax的输出数据之间存在关联，和为1.
softmax公式

softmax层

3）二分类问题
在二分类问题上，当得出了其中一种可能的概率p1时，就可以推知另一种可能p2的概率$p_1=1-p_2$p1​=1−p2​
因此在二分类问题上可以用sigmod代替softmax，二者在数学上是等价的（这里没想明白，这俩数值上也不相等呀，只能理解为，两者都可以算概率，用哪一种都行）。

还有部分还没消化，以后补充

二、关于学习深度学习模型的几点疑问

1.学习一个新的模型时，比如yolov3这种代码结构比较复杂的模型，是应该深究每一层网络的处理流程（会耗费大量时间），还是只需要弄清楚，每一层网络输出的数据的格式呢？
2.看yolov3的时候，经常会疑惑，这么复杂的网络是怎么想出来的呢？是尝试着去一层一层凑出来的？为什么会需要这么多的卷积层？
3.飞桨的封装做得很好，在搭建网络时，直接调用想要的网络结构即可，不需要自己去编写特定层的网络结构。
作为深度学习的初学者，有必要每一层网络都自己亲手一层一层搭建吗（搭建网络比较耗时）？还是说，把代码当成能验证猜想的工具，重点应该放在理论上，可是，不清楚每一层的具体结构，或者说数据到了这一层会发生什么样的变化，怎么在网络结构上做合理的更改呢？
4.在硕士阶段，周围的人研究深度学习的时候，大致路线有几种：
（1）找一个完善的模型去适应特定的场景；
（2）找一个完善的模型，在网络结构上增删改；
如果效果很好，就算找到创新点，可以发论文了。这真的算创新吗？有点像野猪蒙着眼睛撞树，撞断哪颗算哪颗，直到撞出一条新路，运气好的就不用头破血流。我以为的创新，不是简单的缝缝补补，在前人的基础上做一点微小的修改，而是整个体系上的变更。我知道很难，但是这不才是做研究应该有的样子吗？我的研究路线还没确定，很疑惑，是不是应该先按着周围人的路线去尝试。