pytorch卷积网络

PyTorch是一个流行的深度学习框架，支持构建卷积神经网络（Convolutional Neural Networks, CNNs）。下面是一个简单的示例，展示如何使用PyTorch构建一个卷积网络：

import torch
import torch.nn as nn

# 定义卷积网络模型
class ConvNet(nn.Module):
    def __init__(self):
        super(ConvNet, self).__init__()
        
        # 定义卷积层和池化层
        self.conv1 = nn.Conv2d(3, 16, kernel_size=3, stride=1, padding=1)
        self.relu = nn.ReLU()
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
        
        # 定义全连接层
        self.fc1 = nn.Linear(16 * 28 * 28, 10)
        
    def forward(self, x):
        x = self.conv1(x)
        x = self.relu(x)
        x = self.pool(x)
        x = x.view(-1, 16 * 28 * 28)
        x = self.fc1(x)
        
        return x

# 创建卷积网络实例
model = ConvNet()

# 加载输入数据
input_data = torch.randn(1, 3, 32, 32)

# 运行模型
output = model(input_data)
print(output.shape)

在上面的示例中，我们定义了一个名为`ConvNet`的卷积网络模型。模型包含一个卷积层、激活函数层、池化层和一个全连接层。在`forward`方法中，我们按照卷积-激活-池化的顺序进行前向传播，并通过`view`方法将卷积层的输出展平，以匹配全连接层的输入尺寸。

然后，我们创建了一个`ConvNet`实例，并加载了一个随机生成的输入数据。最后，我们通过模型将输入数据传递，得到模型的输出。输出的形状是`(1, 10)`，表示有1个样本和10个类别。