基于CNN的FashionMNIST数据集识别1——模型搭建与数据准备

模型搭建

我们这次使用LeNet模型，LeNet是一个经典的卷积神经网络（Convolutional Neural Network, CNN）架构，最初由Yann LeCun等人在1998年提出，用于手写数字识别任务

创建一个文件model.py。实现以下代码。

源码

# 导入PyTorch库
import torch
# 从PyTorch库中导入神经网络模块
from torch import nn
# 从torchsummary库中导入summary函数，用于打印模型的结构和参数数量
from torchsummary import summary

# 定义LeNet类，它继承自nn.Module，是一个神经网络模型
class LeNet(nn.Module):
    # 初始化函数，定义模型的层次结构
    def __init__(self):
        # 调用父类的初始化函数
        super().__init__()
        # 第一个卷积层，输入通道为1，输出通道为6，卷积核大小为5x5，padding为2
        self.c1 = nn.Conv2d(in_channels=1, out_channels=6, kernel_size=5, padding=2)
        # Sigmoid激活函数
        self.sig = nn.Sigmoid()
        # 第一个平均池化层，池化窗口为2x2，步长为2
        self.s2 = nn.AvgPool2d(kernel_size=2, stride=2)
        # 第二个卷积层，输入通道为6，输出通道为16，卷积核大小为5x5
        self.c3 = nn.Conv2d(in_channels=6, out_channels=16, kernel_size=5)
        # 第二个平均池化层，池化窗口为2x2，步长为2
        self.s4 = nn.AvgPool2d(kernel_size=2, stride=2)
        # Flatten层，用于将多维的输入一维化，以便输入到全连接层
        self.flatten = nn.Flatten()
        # 第一个全连接层，输入特征数为400，输出特征数为120
        self.f5 = nn.Linear(400, 120)
        # 第二个全连接层，输入特征数为120，输出特征数为84
        self.f6 = nn.Linear(120, 84)
        # 第三个全连接层，输入特征数为84，输出特征数为10（通常对应分类任务中的类别数）
        self.f7 = nn.Linear(84, 10)

    # 前向传播函数，定义数据通过网络的方式
    def forward(self, x):
        x = self.sig(self.c1(x))  # 通过第一个卷积层和Si