pytorch入门教程 | 第三章：构造一个小型CNN

学过深度卷积网络的应该都非常熟悉这张demo图（LeNet）：

此图是LeNet的结构图，把32*32的手写英文字符图片作为输入，训练出一个对于手写字符的分类

我们训练这个网络必须经过4步：

第一步：将输入input向前传播，进行运算后得到输出output

第二步：将output再输入loss函数，计算loss值（是个标量）

第三步：将梯度反向传播到每个参数

第四步：利用下面公式进行权重更新

新权重w = 旧权重w + 学习速率? x 梯度向量g

先不管怎么训练，我们必须先构建出一个CNN网络，很快我们写了一段关于这个LeNet的代码，并进行注释：

1至37行定义了一个卷积神经网络，40行以下是为了观察该网络需要训练的参数数量。

运行完该代码我们得到下图

该网络有5层神经元，第一层是1到6的卷积层，第二层是6到16的卷积层，第三层到第5层均为全连接层。第一层的参数计算是6x1x5x5=150，当然别忘了还有bias=6，所以第一层的参数总量是150+6=156。以此类推，总参数和为61706个

注意：torch.nn只接受mini-batch的输入，也就是说我们输入的时候是必须是好几张图片同时输入。 例如：nn. Conv2d 允许输入4维的Tensor：n个样本 x n个色彩频道 x 高度 x 宽度