Pytorch快速入门系列---（八）卷积神经网络与Pytorch实践（二）

在上一篇文章中，我们介绍了卷积神经网络的基本理论，并使用PyTorch搭建一个类似LeNet-5的网络结构，用于Fashion-MNIST数据集的图像分类。不过上一篇文章中搭建卷积网络使用的是普通卷积，本篇文章我们继续用PyTorch搭建一个类似LeNet-5的网络结构，不过我们这次使用空洞卷积核，搭建的是一个空洞卷积神经网络。

在PyTorch库中使用nn.Conv2d()函数，通过调节参数dilation的取值，进行不同大小卷积核的空洞卷积运算。针对搭建的空洞卷积神经网络，使用如下图所示的网络结构。

 上图中搭建的卷积神经网络含有两个空洞卷积层，两个池化层以及两个全连接层，并且分类器包含10个神经元。该网络结构除了卷积方式的差异之外，与上一节搭建的网络卷积结构完全相同。

下面搭建一个空洞卷积神经网络：

class MyConvdilaNet(nn.Module):
    def __init__(self):
        super(MyConvdilaNet, self).__init__()
        #定义第一个卷积层
        self.conv1=nn.Sequential(
            #卷积后：(1*28*28)->(16*26*26)
            nn.Conv2d(1,