卷积神经网络网络模型

卷积神经网络（Convolutional Neural Network，CNN）是一种深度习模型，主要用于图像识别和计算机视觉任务。它通过模拟人类视觉系统的工作原理，从输入图像中提取特征并进行分类或回归。

卷积神经网络由多个层组成，包括卷积层、池化层和全连接层。其中，卷积层用于提取图像的局部特征，池化层用于降低特征图的维度，全连接层用于将提取到的特征映射到输出类别。

以下是一个简单的卷积神经网络模型示例：

import torch
import torch.nn as nn

# 定义卷积神经网络模型
class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        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)
        self.conv2 = nn.Conv2d(16, 32, kernel_size=3, stride=1, padding=1)
        self.fc = nn.Linear(32 * 8 * 8, 10)

    def forward(self, x):
        x = self.conv1(x)
        x = self.relu(x)
        x = self.pool(x)
        x = self.conv2(x)
        x = self.relu(x)
        x = self.pool(x)
        x = x.view(x.size(0), -1)
        x = self.fc(x)
        return x

# 创建卷积神经网络模型实例
model = CNN()

# 打印模型结构
print(model)

这个示例中的卷积神经网络模型包含两个卷积层和两个全连接层。输入图像的大小为3x32x32，输出类别数为10。模型的结构可以通过打印`model`来查看。