1.源码

1.1简单的例子：

import torch.nn as nn
import torch.nn.functional as F

class CNN(nn.Module):
  def __init__(self):
      super(imsimpleCNN, self).__init__()
      self.conv1 = nn.Conv2d(1, 20, 5)
      self.conv2 = nn.Conv2d(20, 20, 5)

  def forward(self, x):
      x = self.conv1(x)
      x = F.relu(x)
      x = self.conv2(x)
      x = F.relu(x)
      return x

使用pytorch 构建神经网络模型比较简单，大体上需要定义两个函数，一个init，一个forward，分别用来声明一些模型用到的参数和模型的结构

该网络结构由两层构成，（1, 20, 5）分别代表的是：input_channel, output_channel, 和kernel_size, 后面还有其他的参数，比如：stride = 1, padding = 0, dilation = 1, groups = 1, bias=True
如果没有特别的设定，这些是默认的参数。

1.2一个升级版的例子

class imCNN(nn.Module):
    def __init__(self):
        super(imCNN, self).__init__()
        self.layer1 = nn.Sequential(
            nn.Conv2d(
                in_channels=1,
                out_channels=16,
                kernel_size=5,
                padding=2),
            nn.BatchNorm2d(16),
            nn.ReLU(),
            nn.MaxPool2d(2)
        )
        self.layer2 = nn.Sequential(
            nn.Conv2d(16, 32, kernel_size=5, padding=2),
            nn.BatchNorm2d(32),
            nn.ReLU(),
            nn.MaxPool2d(2)
        )
        self.fc = nn.Linear(7 * 7 * 32, 10)

    def forward(self, x):
        out = self.layer1(x)
        out = self.layer2(out)
        out = out.view(out.size(0), -1)
        out = self.fc(out)
        return out

输入的图片是28*28的mnist，网络有两层的结构构成，每一层的结构都基本的相似，组成的模块有nn.Conv2d(), nn.BatchNorm2d, nn.Relu(), nn.MaxPool2d()， 经过两次的pooling, 最终特征的大小变为了 [ 7, 7, 32, 10], 再经过一个全连接层，将最终的输出变为10，从而实现分类。

2.源码分析

2.1 如何增加信的卷积层？

2.2 model.train(), model.eval()的作用是什么？

eval( )时，框架会自动把BN和DropOut固定住，不会取平均，而是用训练好的值

2.3为什么加上dropout,在哪里加？

3. 实验与分析