适合入门深度学习的项目！！！搭建LeNet-5网络模型——1 网络模型搭建

如此粲者

已于 2023-04-12 12:26:12 修改

阅读量408

点赞数 1

分类专栏：深度学习文章标签：深度学习人工智能

于 2023-04-11 22:24:26 首次发布

本文链接：https://blog.csdn.net/qq_51206550/article/details/130095119

版权

深度学习专栏收录该内容

4 篇文章 0 订阅

订阅专栏

该代码示例展示了如何在PyTorch中构建一个LeNet-5模型，包括卷积层（Conv2d）、Sigmoid激活函数、平均池化（AvgPool2d）和线性层（Linear）。网络设计包含多个卷积和池化步骤，最后通过全连接层进行分类。

摘要由CSDN通过智能技术生成

目标模型：

含详细注释的代码如下：

import torch
from torch import nn

# 定义一个网络模型
class MyLeNet(nn.Module):
    # 初始化网络
    def __init__(self):
        super(MyLeNet,self).__init__()
        # 卷积层：输入灰度图——输入通道大小是1; 设定输出通道大小是6;约定卷积核大小是5*5;
        # N = (W - F + 2P) / S + 1
        # 其中N: 输出大小(目标:28)  w: 输入大小(28)  F: 卷积核大小(5)  P: 填充值的大小（这里设为0）  s: 步长大小（设为1）
        # [(28-5+4) / 1] + 1 = 28
        self.c1 = nn.Conv2d(in_channels=1,out_channels=6,kernel_size=5,padding=2)
        # 定义激活函数
        self.Sigmoid = nn.Sigmoid()
        # 使用平均池化定义一个池化层——不改变通道大小，但是改变特征图片的窗口大小
        # 池化后是14*14    [(28-2+0) / 2] + 1 = 14
        self.s2 = nn.AvgPool2d(kernel_size=2,stride=2)
        self.c3 = nn.Conv2d(in_channels=6,out_channels=16,kernel_size=5)
        self.s4 = nn.AvgPool2d(kernel_size=2, stride=2)
        self.c5 = nn.Conv2d(in_channels=16,out_channels=120,kernel_size=5)
        # 展开
        self.flatten = nn.Flatten()
        # 线性连接层
        self.f6 = nn.Linear(120,84)
        self.output = nn.Linear(84,10)

    # 传播这个网络。我们继承了nn.Module这个类，这里是在重写forward函数实现
    def forward(self,x):
        # 用Sigmoid激活一下c1
        x = self.Sigmoid(self.c1(x))
        # 通过池化层
        x = self.s2(x)
        # 后面重复这些动作
        x = self.Sigmoid(self.c3(x))
        x = self.s4(x)
        x = self.Sigmoid(self.c5(x))
        x = self.flatten(x)
        x = self.f6(x)
        x = self.output(x)
        return x

if __name__ == "__main__":
    x = torch.rand([1,1,28,28])
    model = MyLeNet()
    y = model(x)

参考：B站视频：从0开始撸代码--手把手教你搭建LeNet-5网络模型