Lenet和卷积

 

 这里tensor的通道排序（batch，channel，height，width）

batch就是一次传入的处理多少个图片，比如32张图片

channel 彩色图片的channel就是rgb三个通道，3。ps：在cifar10中的数据是彩色图片

height 高  图片的大小32

width 宽 32

在cifar10中是彩色图片所以

上面的a是灰度图片，所一是1@32*32

 

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

class LeNet(nn.Module):
    def __init__(self):
        super(LeNet, self).__init__()
        self.conv1 = nn.Conv2d(3, 16, 5)#in_channels,输入特征矩阵的深度，比如第一个卷积层的输入就是rgb彩色图像，那么in_channels就是3
        #out_channels就是使用的卷积核的个数，使用多少个卷积核，就会生成特征是多少维的特征矩阵
        self.pool1 = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(16, 32, 5)#经过第一个卷积层后，channel就变成了16，第二层使用32个卷积核，卷积核大小仍为5*5
        self.pool2 = nn.MaxPool2d(2, 2)
        self.fc1 = nn.Linear(32*5*5, 120)#全连接层的输入是一个一维向量，所以需要把特征矩阵展平，展成1维向量，所以输入的节点个数为32*5*5，全连接层的节点个数为120
        self.fc2 = nn.Linear(120, 84)#第二个全连接层的输入为120，第二层的节点个数为84
        self.fc3 = nn.Linear(84, 10)#第三层的输入84，节点个数由于是cifar10，十分类，所以第三层输出为10

    #前向传播过程，就是网络的一次一次卷积池化
    def forward(self, x):
        x = F.relu(self.conv1(x))    # input(3, 32, 32) output(16, 28, 28)
        x = self.pool1(x)            # 经过池化后output(16, 14, 14)
        x = F.relu(self.conv2(x))    # output(32, 10, 10)
        x = self.pool2(x)            # output(32, 5, 5)
        x = x.view(-1, 32*5*5)       # output(32*5*5)，.view将数据展平成一维数据,-1是展成维度直接推理，根据后面32*5*5可以推出是1维
        x = F.relu(self.fc1(x))      # output(120)，全连接层1，然后激活函数
        x = F.relu(self.fc2(x))      # output(84)，全连接层2，然后激活函数
        x = self.fc3(x)              # output(10)
        return x