pytorch实现cnn

PyTorch中可以使用torch.nn.Conv2d和torch.nn.MaxPool2d模块来实现卷积神经网络（CNN）。以下是一个简单的CNN模型的示例代码：

import torch
import torch.nn as nn
import torch.nn.functional as F

# 定义CNN模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

# 定义训练数据和标签
inputs = torch.randn(1, 3, 32, 32)
labels = torch.LongTensor([1])

# 初始化模型和优化器
net = Net()
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

# 训练模型
for i in range(5):
    optimizer.zero_grad()
    outputs = net(inputs)
    loss = criterion(outputs, labels)
    loss.backward()
    optimizer.step()

在这个示例代码中，我们定义了一个简单的CNN模型，并使用随机数据进行训练。首先我们定义了Net类，并在`__init__`函数中定义了卷积层、池化层和全连接层的结构。在`forward`函数中，我们首先通过卷积层和池化层进行特征提取，然后通过全连接层进行分类。接着我们定义了训练数据和标签，并初始化了模型、损失函数和优化器。在训练过程中，我们将输入数据传入模型，计算损失值和梯度，并进行优化。