<address id="xtb1b"></address>
<sub id="xtb1b"></sub>

<address id="xtb1b"><var id="xtb1b"></var></address><sub id="xtb1b"></sub>

      <sub id="xtb1b"></sub>

      <sub id="xtb1b"><var id="xtb1b"></var></sub>
      <address id="xtb1b"></address>

      <sub id="xtb1b"><var id="xtb1b"><output id="xtb1b"></output></var></sub>

      <sub id="xtb1b"><dfn id="xtb1b"></dfn></sub>

      pytorch-LeNet网络

      LeNet网络的结构

      分享图片

       

       输入的32x32x1的单通道图片,

      第一层网络: 3x3x1x6的卷积层,步长为1, padding = 1, 经过2x2的池化操作

      第二层网络: 5x5x6x16的卷积层, 步长为1, padding = 2, 经过2x2的池化操作

      第三层网络: 经过.view(out.size(0), -1)的尺度变化, 通过400, 120 的第一层全连接, 通过120, 84的第二层全连接, 通过84, 10的第三层全连接。

      LeNet.py 

      import torch
      from torch import nn
      
      class Lenet(nn.Module):
          def __init__(self):
              super(Lenet, self).__init__()
      
              layer1 = nn.Sequential()
              layer1.add_module(conv1, nn.Conv2d(1, 6, 3, padding=1))
              layer1.add_module(pool1, nn.MaxPool2d(2, 2))
              self.layer1 = layer1
      
              layer2 = nn.Sequential()
              layer2.add_module(conv2, nn.Conv2d(6, 16, 5))
              layer2.add_module(pool2, nn.MaxPool2d(2, 2))
              self.layer2 = layer2
      
              layer3 = nn.Sequential()
              layer3.add_module(fc1, nn.Linear(400, 120))
              layer3.add_module(fc2, nn.Linear(120, 84))
              layer3.add_module(fc3, nn.Linear(84, 10))
              self.layer3 = layer3
      
          def forward(self, x):
              x = self.layer1(x)
              x = self.layer2(x)
              x = x.view(x.size(0), -1)
              x = self.layer3(x)
      
              return x
      相关文章
      相关标签/搜索
      三期之内心开一肖