<address id="bxxfd"><dfn id="bxxfd"></dfn></address>

<dl id="bxxfd"><video id="bxxfd"></video></dl>

<sub id="bxxfd"><delect id="bxxfd"><ins id="bxxfd"></ins></delect></sub>

      <address id="bxxfd"><var id="bxxfd"></var></address>
      <sub id="bxxfd"><dfn id="bxxfd"><ins id="bxxfd"></ins></dfn></sub>

      <form id="bxxfd"><listing id="bxxfd"></listing></form>

      <thead id="bxxfd"><delect id="bxxfd"><output id="bxxfd"></output></delect></thead>

      <thead id="bxxfd"><var id="bxxfd"><output id="bxxfd"></output></var></thead><sub id="bxxfd"><var id="bxxfd"><output id="bxxfd"></output></var></sub>
      <sub id="bxxfd"><var id="bxxfd"><ruby id="bxxfd"></ruby></var></sub>
      <address id="bxxfd"><dfn id="bxxfd"></dfn></address>

      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
      三十码期期必中√资料2020年香港马会最快手机报码开奖结果现场直播历史查询记录二四六天天好彩免费资料大全网