用自定义模型的方式写出LeNet，不使用Sequential模型

好的，我明白了。下面是用自定义模型的方式实现LeNet的代码，不使用Sequential模型：

import tensorflow as tf

class LeNet(tf.keras.models.Model):
    def __init__(self):
        super(LeNet, self).__init__()
        self.conv1 = tf.keras.layers.Conv2D(filters=6, kernel_size=(5, 5), activation='relu', input_shape=(32, 32, 1))
        self.pool1 = tf.keras.layers.MaxPooling2D(pool_size=(2, 2))
        self.conv2 = tf.keras.layers.Conv2D(filters=16, kernel_size=(5, 5), activation='relu')
        self.pool2 = tf.keras.layers.MaxPooling2D(pool_size=(2, 2))
        self.flatten = tf.keras.layers.Flatten()
        self.fc1 = tf.keras.layers.Dense(units=120, activation='relu')
        self.fc2 = tf.keras.layers.Dense(units=84, activation='relu')
        self.fc3 = tf.keras.layers.Dense(units=10, activation='softmax')
        
    def call(self, inputs):
        x = self.conv1(inputs)
        x = self.pool1(x)
        x = self.conv2(x)
        x = self.pool2(x)
        x = self.flatten(x)
        x = self.fc1(x)
        x = self.fc2(x)
        return self.fc3(x)

上面的代码使用tf.keras的Model类，将LeNet模型构建为一个子类。在模型的构造函数中，我们定义了模型的各个层，并且实现了call()方法，我们将通过此方法来进行前向传播和预测操作。将输入通过模型的各个层展开，得到输出。最后一层将产生10个输出神经元（0-9数字的分类），并使用Softmax激活函数实现了多分类问题的概率值。我们可以像使用其他keras模型一样使用此模型进行训练和预测。