作用：一个序列容器， 模块将按照在构造函数中传递的顺序被添加到它中，最后返回最后一个模块的输出。
2.CIFAR10 图像分类（1）输入：通道数 3，尺寸是32*32 经过卷积核为5*5的卷积Convolution后输出：通道数为32，尺寸为32*32
思路1：
根据公式 计算卷积的padding，得出stride=1，padding=2
思路2：
kernel=5,要保证输出尺寸不变，kernel的中心块要置于输入的四个角上才能尺寸不变，中心块的上下左右都有2块所以padding=2
（2）再经过池化核为2*2的最大池化，输出 通道数为32，尺寸为16*16
（3）再经过卷积核为5*5的卷积Convolution后输出：通道数为32，尺寸为16*16
（4）再经过池化核为2*2的最大池化，输出 通道数为32，尺寸为8*8
（5）再经过卷积核为5*5的卷积Convolution后输出：通道数为64，尺寸为8*8
（6）再经过池化核为2*2的最大池化，输出 通道数为64，尺寸为4*4
（7）再经过flatten将输入展成1行，尺寸为1*1024（64*4*4）
（8）再经过一个线性层 in_features=1024,out_features=64
（9）再经过一个线性层 in_features=64,out_features=10
3.代码演示import torchvision.datasets
import torch
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear
from torch.utils.tensorboard import SummaryWriter
dataset=torchvision.datasets.CIFAR10("dataset")
class Tudui(nn.Module):
def __init__(self) -> None:
super().__init__()
# self.conv1=Conv2d(3,32,5,padding=2)
# #kernel=5,要保证输出尺寸不变，kernel的中心块要置于输入的四个角上才能尺寸不变，中心块的上下左右都有2块所以，padding=2
# self.maxpool1=MaxPool2d(2)
# self.conv2=Conv2d(32,32,5,padding=2)
# self.maxpool2=MaxPool2d(2)
# self.conv3=Conv2d(32,64,5,padding=2)
# self.maxpool3=MaxPool2d(2)
# self.flatten=Flatten()
# self.linear1=Linear(1024,64)
# self.linear2=Linear(64,10)
self.modul1=nn.Sequential(
Conv2d(3, 32, 5, padding=2),
MaxPool2d(2),
Conv2d(32, 32, 5, padding=2),
MaxPool2d(2),
Conv2d(32, 64, 5, padding=2),
MaxPool2d(2),
Flatten(),
Linear(1024, 64),
Linear(64, 10)
)
def forward(self,x):
# x=self.conv1(x)
# x=self.maxpool1(x)
# x=self.conv2(x)
# x=self.maxpool2(x)
# x=self.conv3(x)
# x=self.maxpool3(x)
# x=self.flatten(x)
# x=self.linear1(x)
# x=self.linear2(x)
x=self.modul1(x)
return x
tudui=Tudui()
print(tudui)
#检查网络正确性
#生成全1的相应规格的数据
input=torch.ones((64,3,32,32))#batchsize=64,channel=3,尺寸32*32
output=tudui(input)
print(output.shape)
writer=SummaryWriter("logs_seq")
writer.add_graph(tudui,input)
writer.close()
