1. 基本架構(gòu)

• 特征抽取模塊
• 可學(xué)習(xí)的分類(lèi)器模塊

2. LeNet 5

• LeNet 5: 5 表示的是5個(gè)核心層，2個(gè)卷積層，3個(gè)全連接層.
• 核心權(quán)重層：卷積層、全連接層、循環(huán)層，Batchnorm / Dropout 這些都屬于附屬層。
• Convolutions, 32×32 → 28×28：卷積過(guò)后，圖像像素?fù)p失了4個(gè)，是因?yàn)?kernal_size是5×5. 那個(gè)年代是不補(bǔ)零的。
• Subsampling: 亞采樣，也叫池化層，池化一次，圖像大小縮小一般，層數(shù)不變。
• 卷積負(fù)責(zé)把圖像層數(shù)變得越來(lái)越多，池化負(fù)責(zé)把圖像變得越來(lái)越小。最后使用全連接，輸出類(lèi)別。

3. LeNet 5 代碼

import torch
from torch import nnclass ConvBlock(nn.Module):"""一層卷積：- 卷積層- 批規(guī)范化層- 激活層"""def __init__(self, in_channels, out_channels, kernel_size=3, stride=1, padding=1):super().__init__()self.conv = nn.Conv2d(in_channels=in_channels, out_channels=out_channels,kernel_size=kernel_size, stride=stride,padding=padding)self.bn = nn.BatchNorm2d(num_features=out_channels)self.relu = nn.ReLU()def forward(self, x):x = self.conv(x)x = self.bn(x)x = self.relu(x)return xclass LeNet(nn.Module):def __init__(self):super().__init__()# 1, 特征抽取部分self.feature_extractor = nn.Sequential(# 卷積層1ConvBlock(in_channels=1, out_channels=6, kernel_size=5,stride=1,padding=0),# 亞采樣（池化）nn.MaxPool2d(kernel_size=2, stride=2, padding=0),# 卷積層2ConvBlock(in_channels=6, out_channels=16, kernel_size=5,stride=1,padding=0),# 亞采樣（池化）nn.MaxPool2d(kernel_size=2, stride=2, padding=0),)# 2, 分類(lèi)self.classifier = nn.Sequential(nn.Flatten(),nn.Linear(in_features=400, out_features=120),nn.ReLU(),nn.Linear(in_features=120, out_features=84),nn.ReLU(),nn.Linear(in_features=84, out_features=10))def forward(self, x):# 1, 提取特征x = self.feature_extractor(x)# 2， 分類(lèi)輸出x = self.classifier(x)return xif __name__ == "__main__":model = LeNet()print(model)x = torch.randn(1, 1, 32, 32)y = model(x)print(y.shape)