هر تصویر رنگی با ابعاد 64×64، به‌صورت آرایه‌ای با شکل 64×64×3 نمایش داده می‌شود. عدد 3 نشان‌دهنده کانال‌های رنگی RGB است و مقدار هر کانال در تصاویر ۸ بیتی بین 0 تا 255 قرار دارد.

شبکه‌های Dense با تبدیل تصویر به یک بردار، اطلاعات مکانی پیکسل‌ها را از دست می‌دهند. در مقابل، CNN ساختار مکانی تصویر را حفظ می‌کند و می‌تواند یک شیء را حتی در نقاط مختلف تصویر تشخیص دهد.

در Forward Pass، داده وارد شبکه می‌شود و مدل پیش‌بینی می‌کند. سپس میزان خطا با Loss محاسبه می‌شود. در Backward Pass، از Gradientها برای به‌روزرسانی پارامترهای مدل استفاده می‌شود تا خطا کاهش پیدا کند.

در PyTorch باید بخش زیادی از حلقه‌های آموزش و کدهای تکراری را خودتان بنویسید. PyTorch Lightning این جزئیات را ساده‌تر می‌کند تا بتوانید روی ساختار مدل و منطق اصلی آموزش تمرکز کنید.