样本 * 通道 * h * w

1
# 样本 * 通道 * h * w
2
# 输入为 X = torch.randn(1, 1, 224, 224)
3

4
net = nn.Sequential(
5
    # [解释] 输入通道 1，输出通道 96，输出大小 54 * 54，注意这里 kernel 没有刚好填到最右端，下取整为 54. 卷积核有 96 个（每个输入-输出通道组合拥有一个卷及核）
6
    nn.Conv2d(1, 96, kernel_size=11, stride=4, padding=1),
7
    nn.ReLU(),
8
    nn.MaxPool2d(kernel_size=3, stride=2),
9
    # 减小卷积窗口，使用填充为2来使得输入与输出的高和宽一致，且增大输出通道数
10
    nn.Conv2d(96, 256, kernel_size=5, padding=2), nn.ReLU(),
11
    nn.MaxPool2d(kernel_size=3, stride=2),
12
    # 使用三个连续的卷积层和较小的卷积窗口。
13
    # 除了最后的卷积层，输出通道的数量进一步增加。
14
    # 在前两个卷积层之后，汇聚层不用于减少输入的高度和宽度
15
    nn.Conv2d(256, 384, kernel_size=3, padding=1), nn.ReLU(),
11 collapsed lines
16
    nn.Conv2d(384, 384, kernel_size=3, padding=1), nn.ReLU(),
17
    nn.Conv2d(384, 256, kernel_size=3, padding=1), nn.ReLU(),
18
    nn.MaxPool2d(kernel_size=3, stride=2),
19
    nn.Flatten(),
20
    # 这里，全连接层的输出数量是LeNet中的好几倍。使用dropout层来减轻过拟合
21
    nn.Linear(6400, 4096), nn.ReLU(),
22
    nn.Dropout(p=0.5),
23
    nn.Linear(4096, 4096), nn.ReLU(),
24
    nn.Dropout(p=0.5),
25
    # 最后是输出层。由于这里使用Fashion-MNIST，所以用类别数为10，而非论文中的1000
26
    nn.Linear(4096, 10))