x = self.conv1(x) x = F.tanh(x) x = self.max_pool1(x) x = self.conv2(x) x = F.tanh(x) x = self.max_pool2(x) x = self.conv3(x) x = paddle.flatten(x, start_axis=1,stop_axis=-1) x = self.fc1(x) x = self.fc2(x) x = F.softmax(x)

这段代码则是使用 PaddlePaddle 深度学习框架实现了一个 LeNet-5 模型的前向计算过程。首先是输入 x 经过第一个卷积层 self.conv1，然后使用 tanh 激活函数进行激活，并进行最大池化操作 self.max_pool1；接着 x 经过第二个卷积层 self.conv2，再次使用 tanh 激活函数进行激活，并进行最大池化操作 self.max_pool2；最后 x 经过第三个卷积层 self.conv3，然后通过 flatten 操作将 x 展平，接着经过两个全连接层 self.fc1 和 self.fc2，最后使用 softmax 函数进行输出，得到分类结果。整个过程就是经典的卷积神经网络的前向传播过程。