LeNet-PyTorch在FashionMNIST数据集上的分类识别。

简介：
LeNet模型的设计涉及数据的输入与预览，以及设备定义的设定，同时明确了网络计算准确率的训练和测试过程，并指出了其局限性。具体而言，LeNet1由于其依赖全连接层而存在一些问题：图像中相邻像素间的距离在向量空间中可能很大，导致它们所代表的模式难以被模型有效地识别。此外，对于较大尺寸的输入图像，全连接层的使用可能导致模型规模过大。另一方面，卷积层的应用则带来了优势：卷积层能够保持输入数据的形状不变。通过滑动窗口重复应用相同的卷积核，卷积层避免了参数尺寸的膨胀。LeNet结构包含卷积层块和全连接层块两部分；卷积层块的基本单元是卷积层，紧接着是平均池化层。卷积层负责识别图像中的空间模式，例如线条和局部物体的特征；而平均池化层则用于降低卷积层对位置变化的敏感度。总而言之，卷积层块由多个这样的单元构成。