动手学深度学习——卷积神经网络2 LeNet_lenet 模型 lenet分为卷积层块和全连接层块两个部分。下面我们分别介绍这两个模块-CSDN博客

本文链接：https://blog.csdn.net/inventertom/article/details/104634916

本文介绍了LeNet模型的结构，包括卷积层块和全连接层块，详细阐述了各层的作用。通过Fashion-MNIST数据集展示了LeNet在图像识别中的应用，并提供了训练模型的步骤。文章最后总结了卷积神经网络的特点及其在图像分类中的作用。

摘要由CSDN通过智能技术生成

在这里插入图片描述
白嫖伯禹平台，还是要感谢一下，打波广告。
主要是学习笔记，解决问题的可以忽略本博客，以免浪费时间与精力
主要介绍三个方面

lenet 模型介绍
lenet 网络搭建
运用lenet进行图像识别-fashion-mnist数据集

LeNet 模型

LeNet分为卷积层块和全连接层块两个部分。下面我们分别介绍这两个模块。
模型结构如下
在这里插入图片描述
包括：输入层，两层卷积层，两层全连接隐藏层，和一个全连接输出层

卷积层块里的基本单位是卷积层后接平均池化层：卷积层用来识别图像里的空间模式，如线条和物体局部，之后的平均池化层则用来降低卷积层对位置的敏感性。

卷积层块由两个这样的基本单位重复堆叠构成。在卷积层块中，每个卷积层都使用 5×5 的窗口，并在输出上使用sigmoid激活函数。第一个卷积层输出通道数为6，第二个卷积层输出通道数则增加到16。

全连接层块含3个全连接层。它们的输出个数分别是120、84和10，其中10为输出的类别个数。

下面我们通过Sequential类来实现LeNet模型。

#import
import sys
sys.path.append("/home/kesci/input")
import d2lzh1981 as d2l
import torch
import torch.nn as nn
import torch.optim as optim
import time

#net
class Flatten(torch.nn.Module):  #展平操作
    def forward(self, x):
        return x.view(x.shape[0], -1)

class Reshape(torch.nn.Module): #将图像大小重定型
    def forward(self, x):
        return x.view(-1,1,28,28)      #(B x C x H x W)
    
net = torch.nn.Sequential(     #Lelet                                                  
    Reshape(),
    nn.Conv2d(in_channels=1, out_channels=6, kernel_size=5, padding=2), #b*1*28*28  =>b*6*28*28
    nn.Sigmoid(),                                                       
    nn.AvgPool2d(kernel_size=2, stride=2),                              #b*6*28*28  =>b*6*14*14
    nn.Conv2d(in_channels=