模块创建的代码的展示

import torch.nn as nn
import torch.nn.functional as F
class LeNet(nn.Module):
    #卷积网络的搭建
    def __init__(self):
        super(LeNet, self).__init__()
        self.conv1 = nn.Conv2d(3,16,5)#第一个参数表示上通道输入，16个卷积核，卷积核大小5x5
        self.pool1 = nn.MaxPool2d(2,2)#下采样层，也就是池化层
        self.conv2 = nn.Conv2d(16,32,5)
        self.pool2 = nn.MaxPool2d(2,2)
        #三层的全连接层
        self.fc1 = nn.Linear(32*5*5,120)
        self.fc2 = nn.Linear(120,84)
        self.fc3 = nn.Linear(84,10)
    #卷积网络的前景路线的定义
    def forward(self,x):
        x = F.relu(self.conv1(x))
        x = self.pool1(x)
        x = F.relu(self.conv2(x))
        x = self.pool2(x)
        x = x.view(-1,32*5*5)#将数据进行展平
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

在该函数中的数据的每一层的输入和输出的大小的关系如下图所示

该代码的实际意义与前面学习过的tensorflow的卷积神经网络的原理一模一样，只是写法上的差异，可以取参考之前的tensorflow和keras关于卷积神经网络的介绍

对于神经网络之中的batch_size参数的理解

对于过大的batch_size会给计算机带来十分巨大的计算量，增加计算机负担
而对于过于小的batch_size得到的结果的泛化程度不够，无法代表数据的一些特征值
所以要设置大小适中的batch_size值，表示每一批次处理的数据的量。

最终的结果展示

从最终的结果展示中可以看出，loss的之在不断的减小，而对应的accuracy在不断增加，使得模型训练的更加有效。