在这之前，在好好学一下1x1卷积层的知识：

其实就是改变维度和增加非线性性

https://blog.csdn.net/yaochunchu/article/details/95527760?spm=1001.2101.3001.6650.3&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromBaidu%7EHighlightScore-3.queryctrv2&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromBaidu%7EHighlightScore-3.queryctrv2&utm_relevant_index=2

NiN，用得不多，但是它提出了很多被其他网络用到的概念。

三个网络的全连接层的参数个数：

 全连接层：参数非常多，基本上一个网络的绝大多数参数都分布在全连接层，参数多不仅占用很多内存和带宽，（不断访问内存占用了大量的时间），同时容易带来非常严重的过拟合问题。

 NiN思想：我不要全连接层，我要用卷积层替代掉全连接层。

NiN块：一个卷积层，跟着两个1x1的卷积层（可以认为1x1的卷积层就是全连接层）

 NiN架构：

　　1、没有全连接层。

　　2、交替使用NiN块和步幅为2的最大池化层，逐步减少高宽并增大通道数。

　　3、最后使用全局的平均池化层得到输出，其输出通道是类别数。

 全局平均池化层的高宽 = = 输入的高宽 （我对每一个通道，拿出最大值）

总结：

　　NiN块使用卷积层和两个1x1的卷积层，后者对于每个像素增加了非线性性；

　　NiN使用全局平均池化层来代替VGG和AlexNet的全连接层。（全局平均：是因为会将原高宽变为1x1，如果选最大，会损失的信息实在是太多了）

　　因为使用的参数更少，不容易过拟合。

Q&A：

没学到什么东西感觉。

结果：可以看到基本没有过拟合的问题，另外还不如AlexNet准确率高，而且还没有AlexNet快，所以NiN一开始说的就是，NiN最大的贡献是对1x1卷积层的利用，而不是这个网络本身有多大能力，这个网络本身用的并不是很多。

 总之一件事，要么更宽，要么更深，MLP看起来更宽的极端，NiN看起来更深的极端，而VGG比较中庸。

代码

import torch
from torch import nn
from d2l import torch as d2l


def nin_block(in_channels, out_channels, kernel_size, strides, padding):
    return nn.Sequential(
        nn.Conv2d(in_channels, out_channels, kernel_size, strides, padding),
        nn.ReLU(),
        # 用来当全连接层的1x1卷积
        nn.Conv2d(out_channels, out_channels, kernel_size=1), nn.ReLU(),
        nn.Conv2d(out_channels, out_channels, kernel_size=1), nn.ReLU())

net = nn.Sequential(
    # 可以看到，通道数是完全基于AlexNet写的
    nin_block(1, 96, kernel_size=11, strides=4, padding=0),# 因为用的灰度图，所以输入通道数为1
    nn.MaxPool2d(3, stride=2),
    nin_block(96, 256, kernel_size=5, strides=1, padding=2),
    nn.MaxPool2d(3, stride=2),
    nin_block(256, 384, kernel_size=3, strides=1, padding=1),
    nn.MaxPool2d(3, stride=2),
    nn.Dropout(0.5),  # 到这里，大小是1x384x高x宽,1是批量大小
    # 标签类别数是10
    nin_block(384, 10, kernel_size=3, strides=1, padding=1),# 到这里，大小是1x10x高x宽
    nn.AdaptiveAvgPool2d((1, 1)), # 全局平均池化层，高宽都会变成1，大小就成了1x10x1x1
    # 将四维的输出转成二维的输出，其形状为(1,10)
    nn.Flatten())


# 查看每个块的输出形状
X = torch.rand(size=(1, 1, 224, 224))
for layer in net:
    X = layer(X)
    print(layer.__class__.__name__,'output shape:\t', X.shape)

lr, num_epochs, batch_size = 0.1, 10, 128
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size, resize=224)
d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())