输入数据（输入特征图input feature map）：32*32
卷积核大小：5*5
计算公式：
；
其中，
是指输入图片的高度；
是指输入图片的宽度；
是指卷积核的大小；padding是指向图片外面补边，默认为0；S是指步长，卷积核遍历图片的步长，默认为1。
卷积核种类（通道数）：6
输出数据（输出特征图output feature map）：28*28
2.3 S2层-池化层（下采样层）
池化是缩小高、长方向上的空间的运算。
输入数据：28*28
采样区域：2*2
采样种类（通道数）：6
输出数据：14*14
注意：①经过池化运算，输入数据和输出数据的通道数不会发生变化。
②此时，S2中每个特征图的大小是C1中每个特征图大小的1/4.
2.4 C3层-卷积层
**输入数据：**S2中所有6个或者几个特征map组合
卷积核大小：5*5
卷积核种类（通道数）：16
输出数据（输出特征图output feature map）：10*10
注意：C3中的每个特征map是连接到S2中的所有6个或者几个特征map的，表示本层的特征map是上一层提取到的特征map的不同组合。
2.5 S4层-池化层（下采样层）
输入数据：10*10
采样区域：2*2
采样种类（通道数）：16
输出数据：5*5
2.6 C5层-卷积层
**输入数据：**S4层的全部16个单元特征map（与s4全相连）
卷积核大小：5*5
卷积核种类（通道数）：120
输出数据（输出特征图output feature map）：1*1
2.7 F6层-全连接层
**输入数据：**120维向量
**输出数据：**84维向量
2.8 Output层-全连接层
**输入数据：**84维向量
**输出数据：**10维向量
三、代码实现（采用的激活函数为relu函数）
3.1 搭建网络框架
（1）导包：
import torch
import torch.nn as nn
import torch.nn.functional as F
（2）**定义卷积神经网络：**由于训练数据采用的是彩色图片（三通道），因此与上面介绍的通道数有出入。
class Net(nn.Module):
def __init__(self):
super(Net,self).__init__()
self.conv1 = nn.Conv2d(3,6,5)
self.conv2 = nn.Conv2d(6,16,5)
self.fc1 = nn.Linear(16*5*5,120)
self.fc2 = nn.Linear(120,84)
self.fc3 = nn.Linear(84,10)
def forward(self,x):
x = self.conv1(x)
x = F.relu(x)
x = F.max_pool2d(x,(2,2))
x = F.max_pool2d(F.relu(self.conv2(x)),2)
x = x.view(-1,x.size()[1:].numel())
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
（3）**测试网络效果：**相当于打印初始化部分，可以查看网络的结构
net = Net()
print(net)
3.2 定义数据集
（1）导包：
import torchvision
import torchvision.transforms as transforms
（2）下载数据集：
解决Downloading data from www.cs.toronto.edu/~kriz/cifar…
解决方法：
①下载文件：**下载地址：**pan.baidu.com/s/1Nh28Ryfw…
提取码：1h4x
②将下载好的文件重命名为cifar-10-batches-py.tar.gz
③将文件保存至相应地址下即可
transform = transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.5,0.5,0.5),(0.5,0.5,0.5))
])
trainset = torchvision.datasets.CIFAR10(root='./data',train=True,download=True,transform=transform)
testset = torchvision.datasets.CIFAR10(root='./data',train=False,download=True,transform=transform)
trainloader = torch.utils.data.DataLoader(trainset,batch_size=4,shuffle=True,num_workers=0)
testloader = torch.utils.data.DataLoader(testset,batch_size=4,shuffle=False,num_workers=0)
（3）定义元组：进行类别名的中文转换
classes = ('airplane','automobile','bird','car','deer','dog','frog','horse','ship','truck')
（4）运行数据加载器：使用绘图函数查看数据加载效果
import matplotlib.pyplot as plt
import numpy as np
def imshow(img):
img = img / 2 + 0.5
npimg = img.numpy()
plt.imshow(np.transpose(npimg,(1,2,0)))
plt.show()
dataiter = iter(trainloader)
images,labels = dataiter.next()
imshow(torchvision.utils.make_grid(images))
print(labels)
print(labels[0],classes[labels[0]])
print(' '.join(classes[labels[j]] for j in range(4)))
3.3 定义损失函数与优化器
（1）**定义损失函数：**交叉熵损失函数
criterion = nn.CrossEntropyLoss()
（2）**定义优化器：**让网络进行更新，不断更新好的参数，达到更好的效果
import torch.optim as optim
optimizer = optim.SGD(net.parameters(),lr=0.001,momentum=0.9)
3.4 训练网络
for epoch in range(2):
running_loss = 0.0
for i,data in enumerate(trainloader,0):
inputs,labels = data
optimizer.zero_grad()
outputs = net(inputs)
loss = criterion(outputs,labels)
loss.backward()
最全的Linux教程，Linux从入门到精通
======================
1. **linux从入门到精通(第2版)**
2. **Linux系统移植**
3. **Linux驱动开发入门与实战**
4. **LINUX 系统移植 第2版**
5. **Linux开源网络全栈详解 从DPDK到OpenFlow**
第一份《Linux从入门到精通》466页
====================
内容简介
====
本书是获得了很多读者好评的Linux经典畅销书**《Linux从入门到精通》的第2版**。本书第1版出版后曾经多次印刷，并被51CTO读书频道评为“最受读者喜爱的原创IT技术图书奖”。本书第﹖版以最新的Ubuntu 12.04为版本，循序渐进地向读者介绍了Linux 的基础应用、系统管理、网络应用、娱乐和办公、程序开发、服务器配置、系统安全等。本书附带1张光盘，内容为本书配套多媒体教学视频。另外,本书还为读者提供了大量的Linux学习资料和Ubuntu安装镜像文件，供读者免费下载。
**本书适合广大Linux初中级用户、开源软件爱好者和大专院校的学生阅读，同时也非常适合准备从事Linux平台开发的各类人员。**
> 需要《Linux入门到精通》、《linux系统移植》、《Linux驱动开发入门实战》、《Linux开源网络全栈》电子书籍及教程的工程师朋友们劳烦您转发+评论
详情docs.qq.com/doc/DSmdCdUNwcEJDTXFK
