一共七层，3个卷积层，2个池化层，2个全连接层
三个卷积层：
C1包括6个5×5卷积核
C3包括60个5×5卷积核（通道）
C5包括120×16个5×5卷积核
两个池化层S2和S4：
都是2×2的平均池化，并添加了非线性映射
第一个全连接层：84个神经元
第二个全连接层： 10个神经元
所有激活函数采用Sigmoid
import torch
import torch.nn as nn
def demo1():
class LeNets5_C3_12(nn.Module):
def init(self,in_channels=3,total_channels=6,*args, **kwargs):
super().init(*args, **kwargs)
self.in_channels=in_channels
self.total_channels=total_channels
self.C3=nn.ModuleList(nn.Conv2d(self.in_channels,1,kernel_size=5) for i in range(self.total_channels))
def forward(self,x):
c3_out_total=torch.empty(x.shape0,0,x.shape2-4,x.shape3-4)
针对12到14的特色情况
if self.total_channels==3:
for i in range(len(self.C3)):
index=(0+i)%6,(1+i)%6,(2+i)%6,(3+i)%6,(4+i)%6,(5+i)%6
index.pop(-1)
index.pop(2)
c3_out=self.C3i(x:,\[j for j in index,:,:])
拼接C3层总的输出特征图 在dim=1 上
print(c3_out.shape)
c3_out_total=torch.cat(c3_out_total,c3_out,dim=1)
return c3_out_total
for i in range(len(self.C3)):
c3_out=self.C3i(x:,\[j%6 for j in range(i,i+int(self.in_channels)),:,:])
拼接C3层总的输出特征图 在dim=1 上
print(c3_out.shape)
c3_out_total=torch.cat(c3_out_total,c3_out,dim=1)
return c3_out_total
class LeNets5(nn.Module):
def init(self, *args, **kwargs):
super().init(*args, **kwargs)
self.C1=nn.Sequential(nn.Conv2d(1,6,kernel_size=5),nn.ReLU())
self.S2=nn.AdaptiveMaxPool2d(14) # 自动池化 传入输出图的大小 特征图的数量不变
LeNets5非密集的特征图连接关系 目的是减少参数量的同时效果不会下降太多
# LeNets5 网络C3层的特殊处理 每个输出通道的输入通道 不一样 输入的通道数是一样的 使用列表推导式创建6个(3,1,kernel_size=5)的卷积核
self.C3_3_1=nn.ModuleList(nn.Conv2d(3,1,kernel_size=5) for i in range(6))
self.C3_4_1=nn.ModuleList(nn.Conv2d(4,1,kernel_size=5) for i in range(6))
# C3 前12个很像 可以单独做一个小的神经网络
创建 C3层前12个通道
self.C3_3_1=LeNets5_C3_12(3)
self.C3_4_1=LeNets5_C3_12(4)
self.C3_4__1=LeNets5_C3_12(4,3)
self.C3_6_1=nn.Sequential(nn.Conv2d(6,1,kernel_size=5))
self.S4=nn.AdaptiveMaxPool2d(5) # 自动池化 传入输出图的大小 特征图的数量不变
self.C5=nn.Sequential(nn.Linear(16*5*5,120),nn.ReLU())
self.F6=nn.Sequential(nn.Linear(120,84),nn.ReLU())
self.out=nn.Sequential(nn.Linear(84,10),nn.Softmax())
def forward(self,x):
x=self.C1(x)
x=self.S2(x)
c3_out_total=torch.empty(x.shape0,0,x.shape2-4,x.shape3-4) # 通道数为0 size 减4个 要在通道上面拼接 卷积完后形状 减了4
# C3层传入 上层输出的NCHW为 1 6 28 28 C3层每一个小层传入 012,123,234,345 。。。
for i in self.C3_3_1:
c3_out=i(x:,\[j%6 for j in range(i,i+3),:,:])
# 拼接C3层总的输出特征图 在dim=1 上
torch.cat(c3_out_total,c3_out)
for i in self.C3_4_1:
c3_out=i(x:,\[j%6 for j in range(i,i+4),:,:])
# 拼接C3层总的输出特征图 在dim=1 上
torch.cat(c3_out_total,c3_out)
c3_out_3_1=self.C3_3_1(x)
c3_out_4_1=self.C3_4_1(x)
print(c3_out_3_1.shape)
print(c3_out_4_1.shape)
c3_out_4__1=self.C3_4__1(x)
print(c3_out_4__1.shape)
c3_out_6_1=self.C3_6_1(x)
print(c3_out_6_1.shape)
x=torch.cat(c3_out_3_1,c3_out_4_1,c3_out_4__1,c3_out_6_1,dim=1)
x=nn.ReLU(x)
x=self.S4(x)
x=x.view(x.shape0,-1)
x=self.C5(x)
x=self.F6(x)
x=self.out(x)
return x
图像NCHW
img1=torch.randn(1,1,32,32)
net1=LeNets5()
res=net1.forward(img1)
print(res)
进行训练 。。。
if name=="main":
pass
demo1()