本周任务

1读取数据的集中方式

2模型构建：lenet，alexnet，vgg，resnet18，网络结构图，熟悉并掌握卷积，池化，全连接层，激活函数，dropout等构建网络所常用的代码块。

3关于模型调优，超参的选择，可以百度先看一下别人怎么调的，都改了什么东西，尽可能地得出一些自己的结论

4模型训练，将所有需要改动的超参写得集中一些，掌握模型的集中保存方式，以及模型Checkpoint, Earlystop, tensorboard, ReduceLROnPlateau

5模型预测。写预测函数，训练完成的模型进行测试。载入模型的几种方式，预测函数中分类的metrics

1 LeNet网络结构

它是由2层卷积层+3层全连接层构成的网络

创建LeNet网络，需要继承nn.Module类，并实现forward函数（完成前向传播）。接着完成结构初始化，nn.Module的子类函数必须在构造函数中执行父类的构造函数。super函数的作用可以避免直接使用父类函数名称，主要用于多重继承。

nn.Sequential（）作为一个容器，将按照构造函数中传递的顺序添加到模块中。就是将一些函数组成一个小模块使用。

conv1:

output size = (input size-kernel size+2 * padding)/2 + 1

默认情况下，stride = 1,padding = 0

conv2:

fc1：

fc2：

fc3：

定义前向传播过程：

2 Alexnet 网络结构

它是由5层卷积层+3层全连接层组成。

conv1:

conv2:

conv3:

conv4：

conv5：

fc1：

fc2：

fc3：

3 VGG网络结构

这次我用的vgg11，它是由两个单卷积层，三个双卷积核卷积层，在加三个全连接层。

因为训练的mnist是28*28*1，所以在之前要对输入图像进行resize=224.变成224*224*1

conv1

conv2

doubel conv3

double conv4

double conv5

fc1

fc2

fc3