数据科学导引上机（6）神经网络_神经网络nums work

这次是简单的神经网络，因为层数比较少

关于环境配置，

1. Pytorch的安装：安装分为cpu版本和gpu版本，gpu版本的pytorch运行速度更快一些，但gpu版本的安装需要有NVIDIA的显卡，尽量安装cpu版本。cpu版本的安装可以参考网址：在Windows下安装配置CPU版的PyTorch_On the road丶的博客-CSDN博客
2. tqdm的安装：在base环境下直接pip install tqdm
3. cv2的安装：python cv2模块怎么安装?-Python学习网

 这次处理的是数字识别，用到手写数字集

lenet模型构建

# 导入相关的包
import torch
from torch import nn

# 判断是否安装gpu版本的torch，若没有则使用cpu运算
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
print("using {} device.".format(device))

# 定义Lenet模型
class LeNet(nn.Module):
    def __init__(self):
        super(LeNet, self).__init__()
        ## 定义网络结构
        self.conv = nn.Sequential(
            #在此处更改网络的结构，使网络在3232的输入大小下，可以输入2828的Mnist数据集。
            
             ## C1卷积层         
            nn.Conv2d(3,6,(5,5),padding=(2,2)),# 输入通道3，输出通道6，卷积矩阵5x5
            # nn.Conv2d(3,6,(5,5)),# 输入通道3，输出通道6，卷积矩阵5x5
            nn.Sigmoid(),
            nn.MaxPool2d(2,2), # 池化2x2
            # NO.2
            nn.Conv2d(6,16,5),#
            nn.Sigmoid(),
            nn.MaxPool2d(2,2)
            )
        self.fc = nn.Sequential(
            nn.Linear(16*5*5,120),# 上面池化层的结果输入，输出
            # nn.Linear(16*4*4,120),# 上面池化层的结果输入，输出
            nn.Sigmoid(),
            nn.Linear(120,84),
            nn.Sigmoid(),
            nn.Linear(84,10)            
            )
    ## 前向传播
    def forward(self, img):
        feature = self.conv(img)
        img = feature.view(img.shape[0],-1) # 把图矩阵拉成向量
        output = self.fc(img) # 得到长度为10 的向量
        return output

# 查看模型
net = LeNet()
print(net)