智能数字图像处理：VGGNet代码（pytorch）之model.py解读

1.  self.features = nn.Sequential() ：精简模块代码，提高复用。放入conv层代码或者全连接层代码。

2.分类层classifier：

Dropout层：nn.Dropout(p=0.5)-》随机损失一半权重参数

全连接层：nn.Linear(128 * 6 * 6, 2048),-》输入128通道的6*6图像，连接层节点个数为2048个

ReL激活层： nn.ReLU(inplace=True),-》减少计算 量，防止梯度消失。

Dropout层：nn.Dropout(p=0.5)-》随机损失一半权重参数
全连接层：nn.Linear(2048, 2048),,-》输入2048个参数，连接层节点个数为2048个
ReL激活层： nn.ReLU(inplace=True),-》减少计算 量，防止梯度消失。
全连接层：nn.Linear(2048, num_classes),,,-》输入2048个参数，连接层节点个数为分类个数。

3.前向传播函数：def forward(self, x):

调用卷积模型：x = self.features(x)
将卷积层得到的参数转成一维向量：x = torch.flatten(x, start_dim=1)
 传入全连接层：x = self.classifier(x)

4.权重初始化：

 def _initialize_weights(self):
        for m in self.modules():
            if isinstance(m, nn.Conv2d):
                nn.init.kaiming_normal_(m.weight, mode='fan_out', nonlinearity='relu')
                if m.bias is not None:
                    nn.init.constant_(m.bias, 0)
            elif isinstance(m, nn.Linear):