在上一篇文章：卷积神经网络|猫狗分类系列--导入kaggle猫狗数据集，我们已经成功导入了kaggle猫狗数据集，也就是说，数据的预处理工作已经完成，而接下来就到了构建模型阶段。
建立一个神经网络模型是比较简单的，只要了解各层的含义，不同层之间参数的传递...，有了这些预备知识，那么一个完整的网络模型就可以被很容易地构建出来。
就像这样：
# 创建网络class Network(nn.Module):def __init__(self):super(Network,self).__init__()self.conv1 = nn.Conv2d(in_channels=3, out_channels=6, kernel_size=5)self.conv2 = nn.Conv2d(in_channels=6, out_channels=12, kernel_size=5)self.fc1 = nn.Linear(in_features= 12*4*4, out_features=120)self.fc2 = nn.Linear(in_features= 120, out_features=60)self.out = nn.Linear(in_features=60, out_features=2)def forward(self, t):t = tt = F.relu(self.conv1(t))t = F.max_pool2d(t, kernel_size =2, stride=2)t = F.relu(self.conv2(t))t = F.max_pool2d(t, kernel_size=2, stride=2)t = t.reshape(-1, 12*4*4)t = F.relu(self.fc1(t))t = F.relu(self.fc2(t))t = self.out(t)return t
当然，这个网络模型结构非常简单，仅仅有两个卷积层和三个全连接层构成，对于我们的实际任务效果可能非常差，但并没有关系，因为我们已经知道一个大致的网络模型是什么样。
既然模型的构建非常简单，实际上，你也可以自己构建一个模型，自己定义卷积层，全连接层的数量，以及在何处使用激活操作和池化操作，但要格外注意参数的设置，因为参数错误会导致整个模型不能工作。
在自己尝试之后，再了解那些十分经典的模型的结构，那么这个过程将是十分有益的。
在下一节，我们将使用经典的预训练好的VGG模型，并在此基础上进行微调，使之可以用来完成猫狗分类任务。
