【Pytorch深度学习开发实践学习】Pytorch实现LeNet神经网络（1）

1.model.py

import torch.nn as nn
import torch.nn.functional as F

引入pytorch的两个模块
关于这两个模块的作用，可以参考下面
Pytorch官方文档
在这里插入图片描述
torch.nn包含了构成计算图的基本模块

torch,nn.function包括了计算图中的各种主要函数，包括：卷积函数、池化函数、注意力机制函数、非线性激活函数、dropout函数、线性函数、距离函数、损失函数、可视化函数和多GPU分布式函数等。

class LeNet(nn.Module):def __init__(self):super(LeNet, self).__init__()self.conv1 = nn.Conv2d(3, 16, 5)self.pool1 = nn.MaxPool2d(2, 2)self.conv2 = nn.Conv2d(16, 32, 5)self.pool2 = nn.MaxPool2d(2, 2)self.fc1 = nn.Linear(32*5*5, 120)self.fc2 = nn.Linear(120, 84)self.fc3 = nn.Linear(84, 10)

我们构建了从torch.nn.Module类下面继承的LeNet类，这个类构建了LeNet神经网络，所有pytorch定义的神经网络模型都从nn.Module类派生。

首先def init(self):是类的初始化函数，当我们创建这个类的一个实例时，这个函数会被调用。

super(LeNet, self).init()是调用父类nn.Module的初始化函数，这是一个标准的做法，确保父类中的任何初始化都被正确的执行。

self.conv1 = nn.Conv2d(3, 16, 5)调用nn.function的二维卷积函数，定义了第一个卷积层的操作，输入的通道数是3，输出通道数16，5*5的卷积核

self.pool1 = nn.MaxPool2d(2, 2)调用了最大池化函数，定义了第一个池化层的操作，池化窗口的大小是2*2

self.conv2 = nn.Conv2d(16, 32, 5)定义了第二个卷积层的操作，输入通道数是16，因为第一个卷积层的输出通道数是16，这一层的输出通道数是32，5*5的卷积核

self.pool2 = nn.MaxPool2d(2, 2)调用了最大池化函数，定义了第二个池化层的操作，池化窗口的大小是2*2

self.fc1 = nn.Linear(3255, 120)定义了一个全连接层，输入特征是3255，这是前一层输出的特征数与卷积核大小、步长和填充的综合结果），输出特征数为120。

self.fc2 = nn.Linear(120, 84)定义另一个全连接层，输入特征数为120，输出特征数为84。

self.fc3 = nn.Linear(84, 10) 定义最后一个全连接层，输入特征数为84，输出特征数为10。这个输出特征数通常对应于分类问题的类别数（如果有10个类别的话）。

LeNet模型是一个经典的卷积神经网络结构，主要用于图像分类任务。它包括两个卷积层、两个池化层和三个全连接层。

    def forward(self, x):x = F.relu(self.conv1(x))    # input(3, 32, 32) output(16, 28, 28)x = self.pool1(x)            # output(16, 14, 14)x = F.relu(self.conv2(x))    # output(32, 10, 10)x = self.pool2(x)            # output(32, 5, 5)x = x.view(-1, 32*5*5)       # output(32*5*5)x = F.relu(self.fc1(x))      # output(120)x = F.relu(self.fc2(x))      # output(84)x = self.fc3(x)              # output(10)return x