PyTorch卷积神经网络案例分析——LeNet_卷积核的输出特征图‘ - CSDN文库

5星 · 超过95%的资源 117 浏览量更新于2023-03-16 评论 1 收藏 25KB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源评论

资源推荐

PyTorch卷积神经网络案例分析卷积神经网络案例分析——LeNet

#LeNet 是整个卷积神经网络的开山之作，一共有七层，其实2层卷积和2层池化层交替出现，

#最后输出三层全连接层得到整体的结果

import numpy as np

import torch

from torch.autograd import Variable

from torch import nn, optim

import matplotlib.pyplot as plt

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 = self.layer1(x)

x = self.layer2(x)

x = x.view(x.size(0), -1)

x = self.layer3(x)

return x

#这样就实现了LeNet网络，可以发现网络的层数很浅，也没有添加激活层

作者：亓逸

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余0页未读，立即下载

评论10

郑华滨

2023-06-20

文章篇幅适宜，没有过多冗余文字，很容易看。

weixin_38661087

粉丝: 3
资源: 979

会员权益专享

图片转文字

全年可省5，000元立即开通

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈