PyTorch（叁）卷积神经网络之LeNet（1）

一、卷积层和池化层的作用

        卷积层的作用是从输入的图片中提取特征，如边缘、点和块。池化层的作用是为了缓解卷积层对位置的过度敏感性。

二、LeNet（1）的模型介绍

LeNet模型一共有7层（不包括输入层），具体的介绍如下：

    Input层：输入1x32x32的图片；

    C1：C1是一个卷积层，使用6个大小为5x5的卷积核进行卷积计算，然后使用sigmoid**函数，输出特征图大小为6x28x28；

    S2：S2是一个池化层，使用卷积核为2x2的卷积核进行最大池化操作，输出的特征图大小为6x14x14；

    C3：C3是一个卷积层，使用16个大小为5x5的卷积核进行卷积计算，然后使用sigmoid**函数，输出特征图大小为16x10x10；

    S4：S4是一个池化层，使用卷积核为2x2的最大池化操作，输出特征图大小为16x5x5；

    C5：C5是一个卷积层，使用卷积核为5x5，全连接生成120个feature map。

    F6：F6是一个全连接层，就是一个普通是神经网络了，先进行线性计算，再进行**函数操作。

三、LeNet（1）模型的pytorch实现

class LeNet(nn.Module):
    def __init__(self):
        super(LeNet,self).__init__()
        self.conv=nn.Sequential(
            nn.Conv2d(1,6,5),#in_channels,out_channels,kernel_size
            nn.Sigmoid(),
            nn.MaxPool2d(2,2),#kernel_size,stride
            nn.Conv2d(6,16,5),
            nn.Sigmoid(),
            nn.MaxPool2d(2,2)
            )
        self.fc=nn.Sequential(
            nn.Linear(16*4*4,120),
            nn.Sigmoid(),
            nn.Linear(120,84),
            nn.Sigmoid(),
            nn.Linear(84,10)
            )
    def forward(self,img):
        feature=self.conv(img)
        output=self.fc(feature.view(img.shape[0],-1))
        return output

四、查看网络每个层的结构

#查看每个层的形状
net=LeNet()
print(net)