Pytorch：搭建CNN模型的基本架构

import torch.nn as nn


# 搭建CNN模型
class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        # 1号网络
        self.conv1 = nn.Sequential(
            # 卷积参数设置
            nn.Conv2d(
                in_channels=1,  # 输入数据的通道为1，即卷积核通道数为1
                out_channels=16,  # 输出通道数为16，即卷积核个数为16
                kernel_size=5,  # 卷积核的尺寸为 5*5
                stride=1,  # 卷积核的滑动步长为1
                padding=2,  # 边缘零填充为2
            ),
            nn.ReLU(),  # 激活函数为Relu
            nn.MaxPool2d(kernel_size=2),  # 最大池化 2*2
        )
        self.conv2 = nn.Sequential(
            nn.Conv2d(16, 32, 5, 1, 2),
            nn.ReLU(),
            nn.MaxPool2d(2),
        )
        # 全连接层
        self.fc1 = nn.Sequential(
            nn.Linear(32 * 7 * 7, 120),
            nn.ReLU(),
        )
        self.fc2 = nn.Sequential(
            nn.Linear(120, 84),
            nn.ReLU(),
        )
        self.fc3 = nn.Linear(84, 10)  # 最后输出结果个数为10，因为数字的类别为10

    # 前向传播
    def forward(self, x):
        x = self.conv1(x)
        x = self.conv2(x)
        # nn.Linear的输入输出都是一维的，所以对参数实现扁平化成一维，便于全连接层接入
        x = x.view(x.size(0), -1)
        x = self.fc1(x)
        x = self.fc2(x)
        x = self.fc3(x)
        return x


# 将CNN网络类实例化
model = CNN()