上篇講述了LeNet-5網路的理論，本篇就試著搭建LeNet-5網路。但是搭建完成的網路還存在著問題，主要是訓練的準確率太低，還有待進一步探究問題所在。是超引數的調節有問題？還是網路的結構有問題？還是哪裡搞錯了什麼
1.庫的匯入
- dataset: datasets.MNIST()函式，該函式作用是匯入MNIST資料庫，以供後續使用。
- torch.nn.functional() 主要是用到了F.relu()，relu啟用函式。
- nn.Linear() , nn.MaxPool2d() , nn.Conv2d()，起到構建卷積神經網路各隱藏層的函式。
- optim：模組扮演著最佳化演算法的角色，它提供了多種最佳化演算法的實現，用於更新和調整模型中的引數（即權重和偏置），以最小化或最大化某個損失函式（通常是最小化）。這些最佳化演算法是深度學習訓練過程中不可或缺的一部分，因為它們決定了模型如何根據損失函式的梯度來更新其引數，從而逐步改進模型的效能。
optim.Adam() ：一種基於梯度下降的最佳化演算法，結合了AdaGrad和RMSProp兩種最佳化演算法的思想，具有計算高效、記憶體需求小、適合解決大規模和高維空間最佳化問題的優點。 - no_grad： no_grade()關閉自動向求導，主要是在對網路進行測試時，起到加快模型速度和減小記憶體的作用。
- DataLoader:起到對資料集進行分組的作用，在訓練模型時，並不是把訓練集中的所有樣本載入到X中去，而是把樣本分批次進行計算，在多批次後完成對訓練集中樣本的遍歷，也叫做一個週期。
- TensorDataset:起到將張量Tensor組成pytorch能夠處理的資料組，因為pytorch能夠處理的資料組都要繼承nn.model()
- trange:整體類似於range()，但不同之處在於每次epoch時會有一個進度條
2.程式的整體框架
程式由以下三部分組成：
- 資料集的構建
- 模型的構建
- 模型的使用
3.資料集的建構
函式datasets.MNIST()起到下載資料集的作用。第一個形式引數是確定下載的資料存放的根檔案，第二個形式引數download作用是判斷是否需要從目標源下載資料，若download=True則代表若程式在目標資料夾沒有找到MNIST資料集則會從目標源上下載資料集，若download=False則不會下載。第三個引數判斷下載的是訓練集還是驗證集。若train=True代表下載的是訓練集，若train=False則代表下載的是訓練集。
程式碼x_train = train.data.unsqueeze(1)/255.0實現的功能是給資料集增加一個維度。具體來說該步將原本的資料集樣式：樣本數x資料高度x資料寬度轉變為樣本數x資料通道數x資料高度x資料寬度。而/255.0實現的是將資料歸一化的操作。
x_train和y_train格式為torch.tensor。
dataset_train = DataLoader(TensorDataset(x_train,y_train),batch_size=256,shuffle=True)該程式碼由兩個函式巢狀而成，第一個為 TensorDataset(x_train,y_train) 該函式的作用為將兩個張量合成一個資料集，直接用TensorDataset（）是一種簡單的方法。還有一種方法是構建資料類，繼承於Dataset資料基類。第二個為DataLoader()該函式的作用為將一個大的訓練集拆分成若干小的訓練集，再逐個進行訓練。batch_size=256引數確定了劃分的小樣本集的規模為256個樣本，shuffle=True作用是在樣本選擇時採用隨機取樣的方式。
3.模型的構建
在pytorch中，建構一個模型，需要建立一個繼承nn.Module類的子類，並且要對子類中的兩個函式__init__()和forward()進行重寫。在LeNet_5Model的模型定義中，初始化函式定義了卷積層，池化層和線性層，在前向傳播函式中定義了網路的結構。x.view()方法和numpy中的reshape類似,都是改變資料型別的內部結構。
nn.Conv2d(1,6,5)其中第一個引數是輸入的通道數；第二個引數是輸出通道數；第三個引數是卷積核的規模。
4.模型的使用
首先實現的是模型、最佳化器、損失函式的例項化，最佳化器採用的是Adam()，損失函式採用的是交叉熵函式。
with no_grad():實現關閉模型自動求導功能，不僅降低了模型的運算時間，而且減少了記憶體消耗。
acc_train = (train_preds.argmax(dim=1) == y_train).float().mean().item()
- train_preds：這是一個張量（Tensor），包含了模型對訓練集樣本的預測結果。假設這是一個分類問題，train_preds的形狀可能是[batch_size, num_classes]，其中batch_size是批次大小，num_classes是類別的數量。每個樣本的預測結果是一個長度為num_classes的向量，向量中的每個元素代表該樣本屬於對應類別的機率（儘管這裡可能不是直接的機率值，而是某種形式的得分，如未經過softmax歸一化的logits）。
- train_preds.argmax(dim=1)：這個操作沿著dim=1（即類別的維度）查詢每個樣本預測機率最高的類別的索引。argmax函式會返回每個樣本預測機率最高的類別的索引，因此結果是一個形狀為[batch_size]的張量，包含了每個樣本預測類別的索引。
- == y_train：這裡將預測類別的索引與真實的標籤y_train進行比較。y_train是一個形狀為[batch_size]的張量，包含了每個樣本的真實類別索引。比較的結果是一個布林張量，其中的每個元素都是True（如果預測正確）或False（如果預測錯誤）。
- .float()：將布林張量轉換為浮點張量，這樣True會被轉換為1.0，False會被轉換為0.0。
- .mean()：計算張量中所有元素的平均值。由於張量中的元素是0.0或1.0，這個平均值實際上就是準確率：正確預測的樣本數除以總樣本數。
- .item()：將得到的平均值（一個標量Tensor）轉換為Python的數值型別（通常是float），以便在Python程式碼中使用。
綜上所述，acc_train = (train_preds.argmax(dim=1) == y_train).float().mean().item()這行程式碼計算了模型在訓練集上的準確率，並將結果儲存在變數acc_train中。