自定义LeNet5，开启你的炼丹之路

        LeNet5是卷积神经网络的开山之作，在手写数字识别上达到了出色的效果。LeNet5具有5层神经网络，其中2层卷积神经网络，3层全连接。两层卷积神经网络之后分别接了一个激活层和一个平均池化层。这里通过对lenet进行解析和修改，实现对自定义图像数据的分类。

         首先来解析lenet5手写数字识别模型：

         第一个卷积层：输入图像为32*32大小的灰度图，图像通道为1，宽高为32*32，卷积层包含6个卷积核，每个卷积核大小为5*5，经过第一个卷积层后，生成通道为6的宽高为28*28的特征图，之后通过sigmoid激活函数和池化层，池化层为均值池化，采用2*2卷积核，步长为2进行池化卷积，对特征图进行下采样，经过池化以后，特征图变为6*14*14；

         第二个卷积层：这一层有16个卷积核，卷积核大小5*5，经过该层卷积后特征图大小变为16*10*10，池化层同样采用2*2卷积核，步长为2，经过池化后，特征图变为16*5*5；

       在全连接层之前需要对特征图进行打平，16*5*5=400，通过第一个全连接层，降维到120，第二个全连接层后降维到84，第三个全连接层降维到10，也就是手写数字识别的分类数。

lenet5的pytorch实现：

net = torch.nn.Sequential(
    nn.Conv2d(1,6,kernel_size=5),    #[1,1,28,28]*[6,5*5]-->[1,6,28,28],图像与6个5*5的卷积核计算，得到6个28*28特征图
    nn.Sigmoid(),                              #激活函数
    nn.AvgPool2d(2,stride=2),                  #[1,6,28,28]-->[1,6,14,14]，平均池化，卷积核2*2，步长2(每四个像素合并为一个)
    nn.Conv2d(6,1