㉓ PyTorch中的卷积层和池化层应当如何调⽤函数实现？如何设置窗⼝⼤⼩、填充和步⻓？㉔组件都会⽤了，你可以 尝试使⽤PyTorch将这个LeNet⽹络的定义实现。

1. PyTorch中的卷积层和池化层可以通过torch.nn模块中的Conv2d和MaxPool2d类来调用。

Conv2d的调用方法如下：

torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride, padding)

其中，in_channels表示输入的通道数，out_channels表示输出的通道数，kernel_size表示卷积核的大小，stride表示卷积步长，padding表示填充的大小。

MaxPool2d的调用方法如下：

torch.nn.MaxPool2d(kernel_size, stride, padding)

其中，kernel_size表示池化窗口的大小，stride表示池化步长，padding表示填充的大小。

2. 以LeNet为例，可以如下定义网络：

import torch.nn as nn

class LeNet(nn.Module):
    def __init__(self):
        super(LeNet, self).__init__()
        self.conv1 = nn.Conv2d(1, 6, 5)
        self.pool1 = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.pool2 = nn.MaxPool2d(2, 2)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool1(nn.functional.relu(self.conv1(x)))
        x = self.pool2(nn.functional.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = nn.functional.relu(self.fc1(x))
        x = nn.functional.relu(self.fc2(x))
        x = self.fc3(x)
        return x

其中，LeNet网络包括两个卷积层和两个池化层，以及三个全连接层。在初始化函数中，定义了各个层的结构。在forward函数中，按照网络结构顺序，依次进行前向传播。