no.2 LeNet介绍，以及pytorch，tensorflow v1与v2的介绍

LeNet是一种经典的卷积神经网络架构，最初由Yann LeCun等人于1998年提出，主要用于手写数字识别任务。LeNet是深度学习领域中最早的卷积神经网络之一，被认为是卷积神经网络的开山之作。

LeNet包含七个不同的层，其中包括两个卷积层、两个子采样层和三个全连接层。每个卷积层都使用卷积操作提取特征，子采样层用于减小特征映射的尺寸并减少计算量。全连接层用于将卷积层的输出映射到目标类别上。

LeNet的输入是一张28×28像素的灰度图像，输出是一个10维向量，表示输入图像属于10个数字中的哪一个。LeNet使用的激活函数是sigmoid函数。LeNet的训练使用的是反向传播算法和随机梯度下降算法。

尽管LeNet在当时的手写数字识别任务中表现出色，但由于其结构较为简单，不足以应对现代复杂的图像识别任务。但是，LeNet为卷积神经网络的发展奠定了基础，后续的深度学习研究在此基础上不断发展和完善，从而推动了深度学习技术的快速发展。

需要注意的是：pytorch Tensor的排列顺序[batch,channel,height,width]

                        Tensorflow Tensor的排列顺序[batch,heighr,width,channel]

pytorch与tensorflow：两者属于不同的神经网络搭建架构，举个栗子：

下面是pytorch实现的代码

    def __init__(self):
        super(LeNet, self).__init__()
        self.conv1 = nn.Conv2d(3, 16, 5)
        self