定义一个名为 LeNet 的神经网络模型

class LeNet(nn.Module): # 初始化函数，定义神经网络中的各个层 def init(self): # 调用 nn.Module 的初始化函数 super(LeNet,self).init()

    # 第一层卷积层，包含卷积、激活函数和池化操作
    self.conv1 = nn.Sequential(
        nn.Conv2d(in_channels=1,out_channels=6,kernel_size=5,stride=1,padding=2), # 输入通道数为 1，输出通道数为 6，卷积核大小为 5*5，步长为 1，padding 填充为 2
        nn.ReLU(), # 激活函数为 ReLU
        nn.AvgPool2d(kernel_size=2,stride=2) # 池化操作为平均池化，池化核大小为 2*2，步长为 2
    )

    # 第二层卷积层，同样包含卷积、激活函数和池化操作
    self.conv2 = nn.Sequential(
        nn.Conv2d(in_channels=6,out_channels=16,kernel_size=5,stride=1), # 输入通道数为 6，输出通道数为 16，卷积核大小为 5*5，步长为 1
        nn.ReLU(), # 激活函数为 ReLU
        nn.AvgPool2d(kernel_size=2,stride=2) # 池化操作为平均池化，池化核大小为 2*2，步长为 2
    )

    # 第三层卷积层，只包含卷积操作和激活函数
    self.conv3 = nn.Sequential(
        nn.Conv2d(in_channels=16,out_channels=120,kernel_size=5), # 输入通道数为 16，输出通道数为 120，卷积核大小为 5*5，步长为 1（默认）
        nn.ReLU() # 激活函数为 ReLU
    )

    # 第一层全连接层，包含线性变换和激活函数
    self.fc1 = nn.Sequential(
        nn.Linear(120,84), # 输入大小为 120，输出大小为 84
        nn.ReLU() # 激活函数为 ReLU
    )

    # 第二层全连接层，只包含线性变换
    self.fc2 = nn.Linear(84,10) # 输入大小为 84，输出大小为 10

# 前向传播函数，定义数据在神经网络中的传播方式
def forward(self,x):
    x = self.conv1(x) # 第一层卷积层
    x = self.conv2(x) # 第二层卷积层
    x = self.conv3(x) # 第三层卷积层
    x = x.view(x.size()[0],-1) # 将张量展平
    x = self.fc1(x) # 第一层全连接层
    x = self.fc2(x) # 第二层全连接层
    return