LeNet

在进行图像识别等任务时，由于输入图像的尺寸较大、同一列邻近的像素在这个向量中可能相距较远，难以识别等问题，因此不适合用全连接层进行网络构建，而应当在神经网络中添加卷积层，具体的好处有：

• 卷积层可以保留输入形状
• 卷积层通过滑动窗口将同一卷积核与不同位置的输入重复计算，从而避免参数尺寸过大。

LeNet 模型

LeNet的输入是2828的灰度图
LeNet分为卷积层块和全连接层块两个部分

图像为2828像素的图片，经过第一个卷积层，通道数变为6，因为在输入通道添加了padding，输出通道的宽和高可以保持2828，在卷积层块中，每个卷积层都使用5×5的窗口，并在输出上使用sigmoid激活函数，然后经过一个池化层，池化步幅为2，宽和高变成了1414；
然后再经过一个卷积层，输出通道增加到16，再经过一个池化层，最后通过三个全连接层，它们的输出个数分别是120、84和10，其中10为输出的类别个数。通过全连接层之前有一个过渡操作，是对三维数据进行展平，变成一维。

下面我们通过Sequential类来实现LeNet模型。

import
import sys
sys.path.append("/home/kesci/input")
import d2lzh1981 as d2l
import torch
import torch.nn as nn
import torch.optim as optim
import time

#net
class Flatten(torch.nn.Module):  #展平操作
    def forward(self, x):
        return x.view(x.shape[0], -1)

class Reshape(torch.nn.Module): #将图像大小重定型
    def forward(self, x):
        return x.view(-1,1,28,28)      #(B x C x H x W)
    
net = torch.nn.Sequential(     #Lelet                                                  
    Reshape(),
    nn.Conv2d(in_channels=1, out_channels=6, kernel_size=5, padding=2), #b*1*28*28  =>b*6*28*28
    nn.Sigmoid(),                                                       
    nn.AvgPool2d(kernel_size=2, stride=2),                              #b*6*28*28  =>b*6*14*14
    nn.Conv2d(in_channels=6, out_channels=16, kernel_size=5),           #b*6*14*14  =>b*16*10*10
    nn.Sigmoid(),
    nn.AvgPool2d(kernel_size=2, stride=2),                              #b*16*10*10  => b*16*5*5
    Flatten(