补充以下代码# 定义卷积神经网络模型 class Cnn(nn.Module): def _init_(self, in_dim, n_class): # 28x28x1 super(Cnn, self)._init_() # 实验二：自选模型结构的搭建，注意ReLu函数模块 self.conv = nn.Sequential( ) # 实验二：全连接层模块的搭建 self.fc = nn.Sequential( ) def forward(self, x): out = self.conv(x) out = out.view(out.size(0), 400) # 400 = 5 * 5 * 16, out = self.fc(out) return out

# 定义卷积神经网络模型
class Cnn(nn.Module):
def __init__(self, in_dim, n_class): # 28x28x1
super(Cnn, self).__init__() # 实验二：自选模型结构的搭建，注意ReLu函数模块
self.conv = nn.Sequential(
nn.Conv2d(in_dim, 16, kernel_size=5, stride=1, padding=2),
nn.ReLU(),
nn.MaxPool2d(kernel_size=2),
nn.Conv2d(16, 32, kernel_size=5, stride=1, padding=2),
nn.ReLU(),
nn.MaxPool2d(kernel_size=2)
)
# 实验二：全连接层模块的搭建
self.fc = nn.Sequential(
nn.Linear(32 * 7 * 7, 100),
nn.ReLU(),
nn.Linear(100, n_class)
)

def forward(self, x):
out = self.conv(x)
out = out.view(out.size(0), -1)
out = self.fc(out)
return out

这里使用了两个卷积层和两个全连接层构建了一个卷积神经网络模型，其中使用了ReLU激活函数和MaxPooling操作。第一个卷积层使用16个5x5的卷积核，第二个卷积层使用32个5x5的卷积核。全连接层的第一层有100个神经元。最后输出n_class个类别的概率分布。