【深度学习】：《PyTorch入门到项目实战》(十五)：三大经典卷积神经网络架构：LeNet、AlexNet、VGG

**深度学习**: 《PyTorch入门到项目实战》(十五): 三大经典卷积神经网络架构: LeNet、AlexNet、VGG在前几篇文章中，我们已经介绍了PyTorch的基本使用和一些常见的神经网络结构。今天，我们将重点讨论三大经典卷积神经网络架构：LeNet、AlexNet和VGG。

###1. LeNetLeNet是由Yann LeCun等人在1998年提出的，最初用于手写数字识别任务。它的结构非常简单，但却取得了很好的效果。

**LeNet结构**

markdown# LeNet结构- 卷积层（5x5，6个通道）
- 池化层（2x2）
- 全连接层（120个神经元）
- 全连接层（84个神经元）
- 输出层

import torchimport torch.nn as nnclass LeNet(nn.Module):
 def __init__(self):
 super(LeNet, self).__init__()
 self.conv1 = nn.Conv2d(1,6, kernel_size=5)
 self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
 self.fc1 = nn.Linear(120,84)
 self.fc2 = nn.Linear(84,10)

 def forward(self, x):
 out = self.pool(nn.functional.relu(self.conv1(x)))
 out = out.view(-1,120)
 out = self.fc1(out)
 out = self.fc2(out)
 return out

markdown# AlexNet结构- 卷积层（11x11，96个通道）
- 池化层（3x3）
- 卷积层（5x5，256个通道）
- 池化层（3x3）
- 全连接层（4096个神经元）
- 全连接层（4096个神经元）
- 输出层

import torchimport torch.nn as nnclass AlexNet(nn.Module):
 def __init__(self):
 super(AlexNet, self).__init__()
 self.conv1 = nn.Conv2d(3,96, kernel_size=11)
 self.pool1 = nn.MaxPool2d(kernel_size=3, stride=2)
 self.conv2 = nn.Conv2d(96,256, kernel_size=5)
 self.pool2 = nn.MaxPool2d(kernel_size=3, stride=2)
 self.fc1 = nn.Linear(256 *6 *6,4096)
 self.fc2 = nn.Linear(4096,4096)
 self.fc3 = nn.Linear(4096,10)

 def forward(self, x):
 out = self.pool1(nn.functional.relu(self.conv1(x)))
 out = self.pool2(nn.functional.relu(self.conv2(out)))
 out = out.view(-1,256 *6 *6)
 out = self.fc1(out)
 out = nn.functional.relu(out)
 out = self.fc2(out)
 out = nn.functional.relu(out)
 out = self.fc3(out)
 return out

markdown# VGG结构- 卷积层（3x3，64个通道）
- 池化层（2x2）
- 卷积层（3x3，128个通道）
- 池化层（2x2）
- 卷积层（3x3，256个通道）
- 池化层（2x2）
- 卷积层（3x3，512个通道）
- 池化层（2x2）
- 卷积层（3x3，512个通道）
- 池化层（2x2）
- 全连接层（4096个神经元）
- 全连接层（4096个神经元）
- 输出层

import torchimport torch.nn as nnclass VGG(nn.Module):
 def __init__(self):
 super(VGG, self).__init__()
 self.conv1 = nn.Conv2d(3,64, kernel_size=3)
 self.pool1 = nn.MaxPool2d(kernel_size=2, stride=2)
 self.conv2 = nn.Conv2d(64,128, kernel_size=3)
 self.pool2 = nn.MaxPool2d(kernel_size=2, stride=2)
 self.conv3 = nn.Conv2d(128,256, kernel_size=3)
 self.pool3 = nn.MaxPool2d(kernel_size=2, stride=2)
 self.conv4 = nn.Conv2d(256,512, kernel_size=3)
 self.pool4 = nn.MaxPool2d(kernel_size=2, stride=2)
 self.conv5 = nn.Conv2d(512,512, kernel_size=3)
 self.pool5 = nn.MaxPool2d(kernel_size=2, stride=2)
 self.fc1 = nn.Linear(7 *7 *512,4096)
 self.fc2 = nn.Linear(4096,4096)
 self.fc3 = nn.Linear(4096,10)

 def forward(self, x):
 out = self.pool1(nn.functional.relu(self.conv1(x)))
 out = self.pool2(nn.functional.relu(self.conv2(out)))
 out = self.pool3(nn.functional.relu(self.conv3(out)))
 out = self.pool4(nn.functional.relu(self.conv4(out)))
 out = self.pool5(nn.functional.relu(self.conv5(out)))
 out = out.view(-1,7 *7 *512)
 out = self.fc1(out)
 out = nn.functional.relu(out)
 out = self.fc2(out)
 out = nn.functional.relu(out)
 out = self.fc3(out)
 return out