torch神经网络模型的搭建

包含：卷积层、激活函数、池化层、全连接层

class Model(torch.nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        self.convl = torch.nn.Sequential(
            torch.nn.Conv2d(1, 64, kernel_size=3, stride=1, padding=1),
            torch.nn.ReLU(),
            torch.nn.Conv2d(64, 128, kernel_size=3, stride=1, padding=1),
            torch.nn.ReLU(),
            torch.nn.MaxPool2d(stride=2, kernel_size=2)
        )
        self.dense = torch.nn.Sequential(
            torch.nn.Linear(14*14*128, 1024),
            torch.nn.ReLU(),
            torch.nn.Dropout(p=0.5),
            torch.nn.Linear(1024, 10)
        )
    def forward(self, x):
        x = self.convl(x)
        x = x.view(-1, 14*14*128)
        x = self.dense(x)
        return x

对代码进行分析：
**torch.nn.Conv2d:**用于搭建卷积层，其中的参数分别为：
输入通道数、输出通道数、卷积核大小、卷积核移动步长和padding值
**torch.nn.MaxPool2d:**池化层，其中的参数分别为：
池化窗口的大小、卷积核大小、池化窗口移动步长和padding值，参考：添加链接描述
torch.nn.Dropout:随机丢弃，此处p=0.5指随机丢弃的概率是0.5，如果不设置参数，默认也是0.5
前向传播forward中，convl（）先进行卷积处理，之后用view进行扁平化处理，其中[-1是不确定值的意思，后面再赋值，1414128是输出的大小]添加链接描述
通过前面定义好的dense进行分类。