cnn神经网络模型代码

以下是一个使用PyTorch实现的简单CNN模型的代码示例：

import torch
import torch.nn as nn
import torch.nn.functional as F

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        # 卷积层1，输入通道数为1，输出通道数为6，卷积核大小为5x5
        self.conv1 = nn.Conv2d(1, 6, 5)
        # 池化层，池化核大小为2x2
        self.pool = nn.MaxPool2d(2, 2)
        # 卷积层2，输入通道数为6，输出通道数为16，卷积核大小为5x5
        self.conv2 = nn.Conv2d(6, 16, 5)
        # 全连接层1，输入大小为16*5*5，输出大小为120
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        # 全连接层2，输入大小为120，输出大小为84
        self.fc2 = nn.Linear(120, 84)
        # 输出层，输入大小为84，输出大小为10
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        # 卷积层1 -> 激活函数 -> 池化层
        x = self.pool(F.relu(self.conv1(x)))
        # 卷积层2 -> 激活函数 -> 池化层
        x = self.pool(F.relu(self.conv2(x)))
        # 将特征图转换为一维向量
        x = x.view(-1, 16 * 5 * 5)
        # 全连接层1 -> 激活函数
        x = F.relu(self.fc1(x))
        # 全连接层2 -> 激活函数
        x = F.relu(self.fc2(x))
        # 输出层
        x = self.fc3(x)
        return x

# 实例化模型并输出
net = Net()
print(net)

这个模型包含两个卷积层、两个池化层、两个全连接层和一个输出层。在前向传播过程中，输入数据首先通过卷积层、激活函数和池化层进行特征提取，然后通过全连接层进行分类。