基于pytorch下的LeNet的三种搭建方式

#LeNet 定义结构方式1  事实上LeNet被提出时，并没有用到最大池化与ReLU激活函数
import torch
import torch.nn as nn
from torch import functional as F
class Net(nn.Module):
    def __init__(self):
        super(Net,self).__init__()
        self.conv1=nn.Conv2d(3,6,5)
        self.conv2=nn.Conv2d(6,16,5)
        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=F.max_pool2d(F.relu(self.conv1(x)),(2,2))
        x=F.max_pool2d(F.relu(self.conv2(x)),2)
        x=x.view(x.size()[0],-1)
        x=F.relu(self.fc1(x))
        x=F.relu(self.fc2(x))
        x=self.fc3(x)
        return x
net=Net()
print(net)

#LeNet 定义结构方式2 事实上LeNet被提出时，并没有用到最大池化与ReLU激活函数
import torch
import torch.nn as nn
class Net(nn.Module):
    def __init__(self):
        super(Net,self).__init__()
        self.features=nn.Sequential(
            nn.Conv2d(3,6,5),
            nn.ReLU(),
            nn.MaxPool2d(2,2),
            nn.Conv2d(6,16,5),
            nn.ReLU(),
            nn.MaxPool2d(2,2)
        )
        self.classifier=nn.Sequential(
            nn.Linear(400,120),
            nn.ReLU(),
            nn.Linear(120,84),
            nn.ReLU(),
            nn.Linear(84,10)
        )
    def forward(self,x):
        x=self.features(x)
        x=x.view(x.size()[0],-1)
        x=self.classifier(x)
        return x
net=Net()
print(net)

#LeNet 定义结构方式3 事实上LeNet被提出时，并没有用到最大池化与ReLU激活函数
import torch
import torch.nn as nn

class Net(nn.Module):
	def __init__(self):
		super(Net,self).__init__()
		layer1=nn.Sequential()
		layer1.add_module('conv1',nn.Conv2d(3,6,5))
	    
		layer1.add_module('relu1',nn.ReLU(True))
		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('relu2',nn.ReLU(True))
		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('fc_relu1',nn.ReLU(True))
		layer3.add_module('fc2',nn.Linear(120,84))
		layer3.add_module('fc_relu2',nn.ReLU(True))
		layer3.add_module('fc3',nn.Linear(84,10))
		self.layer3=layer3

def forward(self,x):
	conv1=self.layer1(x)
	conv2=self.layer2(conv1)
	fc_input=conv2.view(conv2.size(0),-1)
	fc_out=self.layer3(fc_input)
	return fc_out

net=Net()
print(net)

编译环境为Jupyter，运行结果可见：文章源自联网快讯-https://x1995.cn/3244.html

文章源自联网快讯-https://x1995.cn/3244.html

文章源自联网快讯-https://x1995.cn/3244.html

文章源自联网快讯-https://x1995.cn/3244.html

 文章源自联网快讯-https://x1995.cn/3244.html

三种搭建方式都用在了CIFAR-10数据集上，迭代训练了10次，最后的准确度都基本差不多，个人喜欢第二种搭建方式。文章源自联网快讯-https://x1995.cn/3244.html