如何在pytorch里lenet中使用正则化

在PyTorch中使用正则化可以使用torch.nn模块中提供的L1Loss和MSELoss实现。可以在LeNet的定义中将这些正则化损失函数加入到总损失函数中。例如，在LeNet的定义中添加L2正则化，代码如下：

import torch.nn as nn
import torch.optim as optim

class LeNet(nn.Module):
    def __init__(self):
        super(LeNet, self).__init__()
        self.conv1 = nn.Conv2d(1, 6, kernel_size=5)
        self.pool1 = nn.MaxPool2d(kernel_size=2, stride=2)
        self.conv2 = nn.Conv2d(6, 16, kernel_size=5)
        self.pool2 = nn.MaxPool2d(kernel_size=2, stride=2)
        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.pool1(F.relu(self.conv1(x)))
        x = self.pool2(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

net = LeNet()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9, weight_decay=0.001)

在这个例子中，我们使用了weight_decay参数来实现L2正则化。这个参数会将所有的权重都添加到损失函数中，并与损失值相乘，以惩罚大的权重值。在训练过程中，优化器会自动计算梯度并更新权重，包括正则化损失