原理图：

为啥要使用VGG块呢？
对于AlexNet网络来说，虽然十分高效了，但是它并没有提供一个通用的模板，方便后续的研究。
故采用了模块化的思想，方便重复使用。
其实对比于AlexNet神经网络来说，VGG网络也只是保留了后边的全连接层，改变前边的卷积层部分，而卷积层部分可视为由一个个不同的卷积层组成的，可以循环添加。所以需要定义一个VGG块。如下：

import time

import torch
from torch import nn
from d2l import torch as d2l

#vgg块，模块化思想，可用于快速构建深层的VGG网络
def vgg_block(num_convs,in_channels,out_channels):
    # num_convs:卷积层的数量,in_channels：输入通道,out_channels：输出通道
    layers = []
    # 下划线_表示占位符，因为不需要用到
    for _ in range(num_convs):
        layers.append(nn.Conv2d(in_channels,out_channels,kernel_size=3,padding=1))
        layers.append(nn.ReLU())
        in_channels = out_channels   #将输出通道 赋值给 输入通道，是为了确保在每次添加卷积层时，输入通道数等于上一层的输出通道数
    layers.append(nn.MaxPool2d(kernel_size=2,stride=2))
    #  *layers，称为 ”解包“，就是说，把laerys列表中的所有层（每一个元素）传递给Sequential
    # 对于元组和列表来说，用 * 来解包。
    # 对于字典来说，用 ** 来解包
    return nn.Sequential(*layers)

设置卷积层中的架构。

conv_arch = (
    #(卷积层数，输出通道)
    (1,64),(1,128),(2,256),(2,512),(2,512),
)

定义生成VGG神经网络：

def vgg(conv_arch):
    conv_blks = []
    in_channels = 1 #本案例中使用的是fashion_mninst 属于灰度图
    for (num_convs,out_channels) in conv_arch:
        conv_blks.append(vgg_block(num_convs,in_channels,out_channels)) #循环添加每一个vgg块
        in_channels = out_channels
    return nn.Sequential(
        *conv_blks, #将所有的vgg块解包，形成vgg网络的前部，
        nn.Flatten(),
        nn.Linear(out_channels * 7 * 7, 4096), nn.ReLU(), nn.Dropout(0.5),
        nn.Linear(4096, 4096), nn.ReLU(), nn.Dropout(0.5),
        nn.Linear(4096, 10))

对于全连接层为啥是 out_channels * 7 * 7 呢？观看下图计算过程（草稿字丑）

由于VGG神经网络的计算过大（相比于AlexNet网络来说），将其通道数给调小，实现如下：

ratio = 4
# conv_arch :(卷积层数，通道数)
small_conv_arch = [(pair[0],pair[1] // ratio) for pair in conv_arch]
net = vgg(small_conv_arch)

终于可以开始训练了！

lr, num_epochs, batch_size = 0.05, 10, 128
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size, resize=224)
time_start = time.time()
d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())
time_stop = time.time()
print(time_stop-time_start)

差点把电脑干报废，结果如下：