【新手适用】手把手教你从零开始实现一个基于Pytorch的卷积神经网络CNN一： 创建model模块和加载数据集

教程：j从零开始实现一个基于Pytorch的卷积神经网络 - 知乎

目录

 网络结构

 1 初始化

2 前向传播forward函数

2.1 forward函数定义

2.2 view函数和size函数

 如何获取channels？ 

如何获取batchsize？ 

2.3 forward实现

2.4 main方法调用

---

模型命名为LeNet，创建一个名为LeNet的类，该类继承了nn.Module类，写法如下：

class LeNet(nn.Module):

 网络结构

从图中可以看出，其输入32x32的灰度图像，由于MNIST数据集的图像为28x28，因此，我们将输入改为28x28，并依次计算每一层输出的特征图大小。其每一层参数大致如下：

输入层：输入大小28x28，通道数为1。注意：本层不算LeNet-5的网络结构，一般情况下不将输入层视为网络层次结构之一。

C1-卷积层：输入大小28x28，通道数为1；输出大小28x28，通道数为6；卷积核大小为5x5；步长为1；边缘补零为2；激活函数为ReLU。注意：为了提升卷积神经网络的效果，在每个卷积层后添加激活函数，本教程使用的激活函数为ReLU。

S2-池化层：输入大小28x28，通道数为6；输出大小14x14，通道数为6；池化核大小为2x2；步长为2；池化方式为最大池化。

C3-卷积层：输入大小14x14，通道数为6；输出大小10x10，通道数为16；卷积核大小为5x5；步长为1；边缘补零为0；激活函数为ReLU。

S4-池化层：输入大小10x10，通道数为16；输出大小5x5，通道数为16；池化核大小为2x2；步长为2；池化方式为最大池化。

C5-卷积层：输入大小5x5，通道数为16；输出大小1x1，通道数为120；卷积核大小为5x5；步长为1；边缘补零为0；激活函数为ReLU。注意：这层也可以看作全连接层，可以通过全连接的方法实现。

F6-全连接层：输入为120维向量；输出为84维向量；激活函数为ReLU。

OUTPUT-输出层：输入为84维向量；输出为10维向量。注意：该层也是全连接层，且不带激活函数。

 1 初始化

 __init__函数即初始化，主要用于定义每一层的构成，如卷积、池化层等；根据网络结构对每一层的参数进行定义。

# 初始化模型
    def __init__(self):
        super(LeNet,self).__init__()

        # 定义每一层的操作和参数
        self.C1 = nn.Conv2d(in_channels=1,out_channels=6,kernel_size=5,stride=1,padding