从LeNet 整体了解卷积神经网络模型的定义流程

可以看看nn.Conv2d的用法，以及卷积层和全连接层的配合

```python
class LeNet(nn.Module):
    def __init__(self):
        super(LeNet, self).__init__()
        self.conv = nn.Sequential(
            nn.Conv2d(1, 6, 5), #Conv2d用来定义卷积层，最基本的（步幅和填充为可选项，bias默认为True）只需要定义输入通道数，输出通道数和卷积核尺寸，完全不用管每次进入卷积层的批量大小batch_size，也就是样本数，和nn.Linear很像，也是不管样本数，只需要指出输入的特征数和输出的特征数就行
            nn.Sigmoid(),
            nn.MaxPool2d(2, 2), # kernel_size, stride
            nn.Conv2d(6, 16, 5),
            nn.Sigmoid(),
            nn.MaxPool2d(2, 2)
        )
        self.fc = nn.Sequential(
            nn.Linear(16*4*4, 120),#不管样本数，只需要指出输入的特征数和输出的特征数就行，这里的16指的是通道数，4是经过两次卷积两次池化后图片的高和宽，这里16*4*4就是压平了的每个样本的特征
**            nn.Sigmoid(),
            nn.Linear(120, 84),
            nn.Sigmoid(),
            nn.Linear(84, 10)
        )

    def forward(self, img):#img指的是一批多通道（包含单通道）图片，所以说是个四维数组（一个批量样本数batch_size，每个输入图片的通道数channel_in，每个通道上图片的高H，每个通道上图片的高W）
        feature = self.conv(img)#feature与输入的img对应，指的是经过卷积处理后的一批多通道（包含单通道）图片，所以说是个四维数组（一个批量样本数batch_size未变！，每个图片的输出通道数channel_out，每个通道上图片的高H‘，每个通道上图片的高W’）
        output = self.fc(feature.view(img.shape[0], -1))#经过卷积层处理得到的feature是一个四维数组，而全连接层只能处理二维数组（batch_size，每个样本的特征横向排列），所以我们要将四维数组变为二维数组（batch_size,卷积输出通道*卷积处理后的高H'*卷积处理后的宽W'），这里我们用view实现，img.shape[0]代表的就是batch_size）
        return output