简介

它是最早发布的卷积神经网络之一

conv2d

这个卷积成的参数先进行介绍一下：

self.conv1 = nn.Conv2d(in_channels=3, out_channels=10, kernel_size=3, stride=1, padding=1)

先看一下in_channels 输入的通道数，out_channels输出通道数，然后彩色图片一般是3的通道数，kernel_size：是进行卷积的矩阵长和宽，stride 是走的步长， padding 是原图片当中填充的的长和宽，
他们的关系：其实这个in_channels，out_channels，就是你这一层需要的通道数，和自己输出的通道数，和 kernel_size, stride, padding 没有直接关系，而kernel_size, stride, padding 是修改的图片的高宽，是用来获取图片特征很有用的参数

网络层的结构

我们对原始模型做了一点小改动，去掉了最后一层的高斯激活。除此之外，这个网络与最初的LeNet-5一致。

net = nn.Sequential(
    nn.Conv2d(1, 6, kernel_size=5, padding=2), nn.Sigmoid(),
    nn.AvgPool2d(kernel_size=2, stride=2),
    nn.Conv2d(6, 16, kernel_size=5), nn.Sigmoid(),
    nn.AvgPool2d(kernel_size=2, stride=2),
    nn.Flatten(),
    nn.Linear(16 * 5 * 5, 120), nn.Sigmoid(),
    nn.Linear(120, 84), nn.Sigmoid(),
    nn.Linear(84, 10))