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

        <address id="nrplv"></address>

            <sub id="nrplv"></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
            香港金钥匙168香港马会开码结果直播 开奖结果-香港最快开奖现场直播-王中王资料 一肖中特-2018年管家婆彩图 今天-王中王中特网资料大全 白小姐