举一个用pytorch定义网络结构的例子

当然，可以举出一个用pytorch定义网络结构的例子啦。比如，我们可以定义一个简单的卷积神经网络来对图像进行分类。代码如下：

import torch.nn as nn

class SimpleCNN(nn.Module):
    def __init__(self):
        super(SimpleCNN, self).__init__()

        # 定义卷积层
        self.conv1 = nn.Conv2d(3, 16, 3, padding=1) # 输入3通道图像，输出16个feature map
        self.conv2 = nn.Conv2d(16, 32, 3, padding=1) # 输入16个feature map，输出32个feature map

        # 定义池化层
        self.pool = nn.MaxPool2d(2, 2)

        # 定义全连接层
        self.fc1 = nn.Linear(32 * 16 * 16, 64) # 输入32个feature map，得到一个长度为16*16*32的向量，输出64维特征
        self.fc2 = nn.Linear(64, 10) # 输出10个类别的概率分布

    def forward(self, x):
        x = nn.functional.relu(self.conv1(x))
        x = self.pool(x)
        x = nn.functional.relu(self.conv2(x))
        x = self.pool(x)
        x = x.view(-1, 32 * 16 * 16)
        x = nn.functional.relu(self.fc1(x))
        x = self.fc2(x)
        return x

这是一个简单的卷积神经网络，我们定义了两个卷积层、两个池化层和两个全连接层，通过PyTorch的Module类来封装网络结构。在forward函数中，我们按定义的网络结构进行计算，最后输出10个类别的概率分布。