基于Pytorch搭建深度学习模型

1.CNN模型

  卷积神经网络(CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。它主要包括卷积层和池化层。卷积神经网络在本质上是一种输入到输出的映射，它能够学习大量的输入与输出之间的映射关系，而不需要任何输入和输出之间的精确的数学表达式，只要用已知的模式对卷积网络加以训练，网络就具有输入输出之间的映射能力。现在常用的卷积神经网络主要由LeNet，Vgg，ResNet，GAN 等。

类	参数	说明
nn.Conv2d	输入通道，输出通道，卷积核大小，步长，填充	二维卷积
nn.ReLU	无	ReLU激活函数
nn.MaxPool2d	池化大小，步长	二维池化
nn.Linear	输入特征，输出特征，偏置(默认True)	全连接层

import torch
import torch.nn as nn
import torch.nn.functional as F

class CNNModel(nn.Module):
    def __init__(self):
        super(CNNModel, self).__init__()
        #conv1第一层
        self.cnnCRM1 = nn.Sequential(
            nn.Conv2d(in_channels = 1, out_channels = 8,kernel_size = 3,
                      stride = 1,padding = 1),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size = 2,stride = 2)
        )
        #conv2第二层
        self.cnnCRM2 = nn.Sequential(
            nn.Conv2d(
                in_channels = 8, out_channels = 16,kernel_size = 3,
                stride = 1,padding = 1),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size = 2,stride = 2)
        )
        #fully connected 全连接
        self.fc1 = nn.Sequential(nn.Linear(784, 64))
        self.fc2 = nn.Sequential(nn.Linear(64, 10))
    
    def forward(self, x)