LeNet 网络优化：Dropout、Adam 优化器与超参数调优

以下 LeNet 网络代码可以考虑增加 Dropout 层以及使用更高级的优化器（如 Adam）来加速模型的训练。同时，可以通过调整超参数来进一步提高模型性能。另外，可以使用 GPU 来加速模型的运行。

class LeNet(nn.Module):
    def __init__(self):
        super(LeNet, self).__init__()
        self.conv1 = nn.Sequential(
            nn.Conv2d(in_channels=1, out_channels=6, kernel_size=5, stride=1, padding=2),
            nn.BatchNorm2d(6),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2, stride=2)
        )

        self.conv2 = nn.Sequential(
            nn.Conv2d(in_channels=6, out_channels=16, kernel_size=5, stride=1),
            nn.BatchNorm2d(16),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2, stride=2)
        )

        self.conv3 = nn.Sequential(
            nn.Conv2d(in_channels=16, out_channels=120, kernel_size=5),
            nn.BatchNorm2d(120),
            nn.ReLU()
        )

        self.avg_pool = nn.AdaptiveAvgPool2d((1, 1))  # 替换全连接层

        self.fc = nn.Linear(120, 10)