class Model(torch.nn.Module): def __init__(self):
super(Model, self).__init__()
self.conv1 = torch.nn.Sequential(torch.nn.Conv2d(1, 4, kernel_size=5, stride=1,padding=0),
torch.nn.MaxPool2d(stride=4, kernel_size=4)) self.dense = torch.nn.Sequential(torch.nn.Linear(6 * 6 * 4, 33),
torch.nn.ReLU(),
torch.nn.Linear(33, 10)) def forward(self, x):
x = self.conv1(x)
x = x.view(-1, 6 * 6 * 4) #把卷积池化得到的向量平铺开
x = self.dense(x)
return x
conv :卷积层(2d就是二维平面的)
kernel_size 卷积核大小
stride 每次移动的步长
padding 四周填充的大小,注意是四周所以在算下一层的向量维度时要将padding 乘以 2
maxpool2d 二维平面的池化层
dense:全链接层
Linear 一层神经元 输入维数 输出维数
激活函数
输出层,10分类
forward 函数里的view(-1,n)就是把卷积池化得到的2维向量展开成1维的,便于传入全连接层