搭建神经网络模型

简单例子
先说模型搭建，后面发布模型训练，最后模型预测（分类）

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


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

    def forward(self, x):
        x = F.relu(self.conv1(x))
        x = self.pool1(x)
        x = F.relu(self.conv2(x))
        x = self.pool2(x)
        x = x.view(-1, 32 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

定义网络层

1.分析第一层：Conv2d(3,16,5)

in_channel:输入彩色为3
out_channel:卷积核个数（一般与层数相同）
kernel_size:卷积核大小
stride=1
padding=0
self.conv1 = nn.Conv2d(3, 6, 5)
16个卷积核，大小尺寸为：5×5

W：32
F：5
P：0
S：1
卷积后输出矩阵大小：N=28，依然是16个卷积核

2.下采样层MaxPool2d(2, 2)

池化层只改变高和宽（缩小为原来一半14），不改变深度（16）。

3.Conv2d(16, 32, 5)

此时深度为：16
使用32个卷积核，尺寸为5×5
进行计算：
W(输入图片大小)：14
F（卷积核大小）：5
卷积后的矩阵尺寸大小：N=10，output(32,10,10)

4.下采样层

同样操作：矩阵大小（10）进行缩小一半（5），不改变深度(32)
output(32,5,5)

5.全连接层

Linear(32 * 5 * 5, 120)

对特征矩阵（32，5，5）进行展平操作为一维向量：
第一个全连接层输入个数：3255，节点个数设为120

Linear(120, 84)

第一个节点数120，所以第二个的输入为120，设输出节点个数为84

Linear(84, 10)

最后一个，输入84，输出十种，设为10.