编程要求 根据提示，在右侧编辑器补充代码，构建神经网络模型，返回模型针对输入张量的输出。 模型结构如下： (0): Conv2d(3, 5, kernel_size=(5, 5), stride=(2, 2), padding=(2, 2)) (1): ReLU() (2): Conv2d(5,10, kernel_size=(1, 1), stride=(1, 1), padding=(0, 0)) (3): ReLU() 测试说明 平台会对你编写的代码进行测试： 测试输入： randn(8, 3, 120, 120) 预期输出： tensor with size = (8, 10, 60, 60)

以下是该神经网络模型的代码实现：

import torch.nn as nn

class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        
        self.conv1 = nn.Conv2d(3, 5, kernel_size=(5, 5), stride=(2, 2), padding=(2, 2))
        self.relu1 = nn.ReLU()
        self.conv2 = nn.Conv2d(5, 10, kernel_size=(1, 1), stride=(1, 1), padding=(0, 0))
        self.relu2 = nn.ReLU()
        
    def forward(self, x):
        x = self.conv1(x)
        x = self.relu1(x)
        x = self.conv2(x)
        x = self.relu2(x)
        
        return x

其中，`self.conv1` 和 `self.conv2` 分别表示两个卷积层，`self.relu1` 和 `self.relu2` 则分别表示两个激活函数ReLU。

在 forward 函数中，input x 会先通过第一个卷积层和激活函数ReLU，然后再通过第二个卷积层和激活函数ReLU，最后返回结果。

你可以将代码复制到编辑器中，并进行测试。