深度学习（十一）卷积神经网络 Lenet pytorch新手入门及常见问题解决

最新推荐文章于 2024-02-03 09:48:50 发布

浮云白日303

最新推荐文章于 2024-02-03 09:48:50 发布

阅读量405

点赞数 4

文章标签：深度学习 cnn pytorch 神经网络人工智能 python pycharm

本文链接：https://blog.csdn.net/m0_68737530/article/details/135720823

版权

每个卷积块中的基本单元是一个卷积层、一个sigmoid激活函数和平均汇聚层。请注意，虽然ReLU和最大汇聚层更有效，但它们在20世纪90年代还没有出现。每个卷积层使用5×5卷积核和一个sigmoid激活函数。这些层将输入映射到多个二维特征输出，通常同时增加通道的数量。第一卷积层有6个输出通道，而第二个卷积层有16个输出通道。每个2×2池操作（步幅2）通过空间下采样将维数减少4倍。卷积的输出形状由批量大小、通道数、高度、宽度决定。

为了将卷积块的输出传递给稠密块，我们必须在小批量中展平每个样本。换言之，我们将这个四维输入转换成全连接层所期望的二维输入。这里的二维表示的第一个维度索引小批量中的样本，第二个维度给出每个样本的平面向量表示。LeNet的稠密块有三个全连接层，分别有120、84和10个输出。因为我们在执行分类任务，所以输出层的10维对应于最后输出结果的数量。

##LeNet的实现
import  torch
from torch import nn
from d2l import torch as d2l

class reshape1(nn.Module):
    def forward(self,x):
        return x.view(-1,1,28,28)##view进行维度变化，-1自适应

net = nn.Sequential(reshape1(),nn.Conv