将AlexNet的输入层改为适合list数据的代码

AlexNet的输入层是一个卷积层，需要接收三维的输入数据，即(batch_size, channel, height, width)。如果要将其改为适合list数据的输入层，可以考虑使用全连接层来代替卷积层。

假设每个样本的输入数据是一个长度为n的一维list，可以将这个list作为输入层的输入，具体代码如下：

import torch.nn as nn

class AlexNet(nn.Module):
    def __init__(self):
        super(AlexNet, self).__init__()
        # 输入层
        self.fc1 = nn.Linear(n, 4096)
        self.relu1 = nn.ReLU(inplace=True)
        self.dropout1 = nn.Dropout()
        
        # 隐藏层1
        self.fc2 = nn.Linear(4096, 4096)
        self.relu2 = nn.ReLU(inplace=True)
        self.dropout2 = nn.Dropout()
        
        # 隐藏层2
        self.fc3 = nn.Linear(4096, 1000)
        self.relu3 = nn.ReLU(inplace=True)
        
        # 输出层
        self.fc4 = nn.Linear(1000, num_classes)

    def forward(self, x):
        x = self.fc1(x)
        x = self.relu1(x)
        x = self.dropout1(x)
        
        x = self.fc2(x)
        x = self.relu2(x)
        x = self.dropout2(x)
        
        x = self.fc3(x)
        x = self.relu3(x)
        
        x = self.fc4(x)
        return x

其中，n表示每个样本的输入list长度，num_classes表示输出类别数。这个网络与标准的AlexNet结构类似，只是将输入层的卷积层改为了全连接层。在训练时，需要将每个样本的输入list转换为一个tensor，并将其作为网络的输入。