def __init__(self):
# 初始化构造卷积层：输入宽度，输入高度，通道数目，滤波器宽度，滤波器高度，滤波器数目，补0数目，步长，激活器，学习速率
# 输入28*28 一通道，滤波器5*5的6个，步长为1，不补零，所以输出为24*24深度6
self.cl1 = CNN.ConvLayer(28, 28, 1, 5, 5, 6, 0, 1,
Activators.SigmoidActivator(), 0.02)
# 构造降采样层，参数为：输入宽度、输入高度，通道数目，滤波器宽度，滤波器高度，步长
# 输入24*24，6通道，滤波器2*2，步长为2，所以输出为12*12，深度保持不变为6
self.pl1 = CNN.MaxPoolingLayer(24, 24, 6, 2, 2, 2)
# 初始化构造卷积层：输入宽度、高度、通道数目、滤波器宽度、滤波器高度、滤波器数目、补零数目、步长、激活器、学习速率
# 输入12*12，6通道，滤波器5*5的12个，步长为1，不补零，所以输出为8*8深度12
self.cl2 = CNN.ConvLayer(12, 12, 6, 5, 5, 12, 0, 1,
Activators.SigmoidActivator(), 0.02)
# 构造降采样层，参数为输入宽度、高度、通道数、滤波器宽度、滤波器高度、步长
# 输入8*8，12通道，滤波器2*2，步长为2，所以输出为4*4，深度保持不变为12。共192个像素
self.pl2 = CNN.MaxPoolingLayer(8, 8, 12, 2, 2, 2)
# 全连接层构造函数，input_size：本层输入向量的维度，output_size:本层输出向量的维度，activator：激活函数
# 输入192个像素，输出为10种分类概率,学习速率为0.05
self.fl1 = DNN.FullConnectedLayer(192, 10,
Activators.SigmoidActivator(), 0.02)
def __init__(self):
# 初始化构造卷积层：输入宽度、输入高度、通道数、滤波器宽度、滤波器高度、滤波器数目、补零数目、步长、激活器、学习速率
self.cl1 = CNN.ConvLayer(
28, 28, 1, 5, 5, 6, 0, 1, Activators.TanhActivator(),
0.02) # 输入28*28 一通道，滤波器5*5的6个，步长为1，不补零，所以输出为24*24深度6
# 构造降采样层，参数为输入宽度、高度、通道数、滤波器宽度、滤波器高度、步长
self.pl1 = CNN.MaxPoolingLayer(
24, 24, 6, 2, 2, 2) # 输入24*24，6通道，滤波器2*2，步长为2，所以输出为12*12，深度保持不变为6
# 初始化构造卷积层：输入宽度、输入高度、通道数、滤波器宽度、滤波器高度、滤波器数目、补零数目、步长、激活器、学习速率
self.cl2 = CNN.ConvLayer(
12, 12, 6, 5, 5, 12, 0, 1, Activators.TanhActivator(),
0.02) # 输入12*12，6通道，滤波器5*5的12个，步长为1，不补零，所以输出为8*8深度12
# 构造降采样层，参数为输入宽度、高度、通道数、滤波器宽度、滤波器高度、步长
self.pl2 = CNN.MaxPoolingLayer(
8, 8, 12, 2, 2,
2) # 输入8*8，12通道，滤波器2*2，步长为2，所以输出为4*4，深度保持不变为12。共192个像素
# 全连接层构造函数。input_size: 本层输入向量的维度。output_size: 本层输出向量的维度。activator: 激活函数
self.fl1 = DNN.FullConnectedLayer(
192, 10, Activators.TanhActivator(),
0.02) # 输入192个像素，输出为10种分类概率,学习速率为0.05