实现一个简单的的神经网络（二）—构建CNN网络

3. 构建一个CNN

class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Sequential(         #输入大小（1， 28， 28）
            nn.Conv2d(                      
                in_channels=1,               #（这一项为输入）MNIST数据集是单通道的灰度图，所以为1
                out_channels=16,             #（，这一项为输出，16个卷积核得到16个特征图）要得到多少个特征图
                kernel_size=5,              #卷积核的大小（5*5）
                stride=1,                   #步长
                padding=2,                  #如果希望卷积后大小跟原来一样，需要设置padding=（kernel_size-1）/2 if stride=1
            ),                              #输出的特征图为（16， 28， 28）
            nn.ReLU(),                      #relu层
            nn.MaxPool2d(kernel_size=2),    #进行池化操作（2x2区域），输出结果为：（16，14, 14）
        )
        self.conv2 = nn.Sequential(         #下一个套餐的输入（16， 14， 14）
            nn.Conv2d(16, 32, 5, 1, 2),     #（16为当前卷积层输入大小，为上一层的输出大小）输出（32， 14， 14）
            nn.ReLU(),                      #relu层
            nn.MaxPool2d(2),                #输出（32， 7， 7）
        )
        self.out = nn.Linear(32 * 7 * 7, 10)#全连接层得到的结果
        
    def forward(self, x):
        x = self.conv1(x)
        x = self.conv2(x)
        x = x.view(x.size(0), -1)           #flatten操作，结果为：（batch_size, 32*7*7）,为了全连接层能用上
        output = self.out(x)
        return output