PyTorch入门实战教程笔记（二十三）：卷积神经网络实现 1

PyTorch入门实战教程笔记（二十三）：卷积神经网络实现 1：Lenet5实现CIFAR10

CIFAR10数据集介绍

关于CIFAR-10数据集，可以访问它的官网进行下载：
http://www.cs.toronto.edu/~kriz/cifar.html。
CIFAR包含常见的10类物体的照片，照片的size 为32×32，每一类照片有6000张，所以一共6000万张照片，我们把6万张照片随机选出5万张照片作为training，剩余的1万张作为test.

CIFAR10代码实战准备

1. 数据集的加载与使用，加载数据要用到的函数类：DataLoader、datasets、transforms，从对应的包中导入。过iter方法把DataLoader迭代器先得到，使用迭代器.next()方法得到一个batch，来验证数据的shape和label的shape，得到最终结果：x: torch.Size([32, 3, 32, 32]) label: torch.Size([32])。详细代码：

import  torch
from    torch.utils.data import DataLoader
from    torchvision import datasets
from    torchvision import transforms

def main():
    batchsz = 32

    #当前目录下新建文件夹'cifar'，train = True，transform对数据进行变换，download=True自动下载数据集
    cifar_train = datasets.CIFAR10('cifar', True, transform=transforms.Compose([
        transforms.Resize((32, 32)),
        transforms.ToTensor(),
        transforms.Normalize(mean=[0.485, 0.456, 0.406],
                             std=[0.229, 0.224, 0.225])
    ]), download=True)
    #DataLoader方便一次加载多个，第一个参数为数据集cifar_train，第二个参数batch_size为每次批处理数量，
    #根据显卡设置batch_size，不要太小。第三个参数shuffle为打乱，设置成True。
    cifar_train = DataLoader(cifar_train, batch_size=batchsz, shuffle=True)

    cifar_test = datasets.CIFAR10('cifar', False, transform=transforms.Compose([
        transforms.Resize((32, 32)),
        transforms.ToTensor(),
        transforms.Normalize(mean=[0.485, 0.456, 0.406],
                             std=[0.229, 0.224, 0.225])
    ]), download=True)
    cifar_test = DataLoader(cifar_test, batch_size=batchsz, shuffle=True)

    #通过iter方法把DataLoader迭代器先得到，使用迭代器.next()方法得到一个batch。
    x, label = iter(cifar_train).next()
    print('x:', x.shape, 'label:', label.shape)

if __name__ == '__main__':
    main()

2. 新建一个类lenet5，所有的pytorch的神经结构类都要继承自nn.Module这个类，使用from torch import nn，将其导入。新建类的初始化方法，调用super(Lenet5, self).init() ，调用类的初始化方法类初始化父类。接下来参考下图来写网络层。
   
   我们使用nn.Sequential(),将网络结构包在里面，使用nn.Conv2d()新建一个卷积层。Subsampling可通过nn.MaxPool2d/nn.AvgPo