衍射神经网络 代码讲解

衍射神经网络（Diffusion Neural Network，DNN）是一种用于图像分割和降噪的神经网络模型。下面是一个简单的衍射神经网络的代码示例：

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

class DNN(nn.Module):
    def __init__(self, in_channels, out_channels, kernel_size=3):
        super(DNN, self).__init__()
        self.conv1 = nn.Conv2d(in_channels, 64, kernel_size=kernel_size, padding=kernel_size//2)
        self.conv2 = nn.Conv2d(64, 128, kernel_size=kernel_size, padding=kernel_size//2)
        self.conv3 = nn.Conv2d(128, out_channels, kernel_size=kernel_size, padding=kernel_size//2)
        self.relu = nn.ReLU(inplace=True)
    
    def forward(self, x):
        out = self.relu(self.conv1(x))
        out = self.relu(self.conv2(out))
        out = self.conv3(out)
        return out

在这个模型中，我们定义了三个卷积层和一个ReLU激活函数。这些卷积层的输出通道数分别为64、128和输出通道数。我们使用ReLU激活函数来提高网络的非线性能力。

在前向传播过程中，我们首先将输入图像传递给第一个卷积层，然后使用ReLU激活函数并将结果传递给第二个卷积层。接下来，我们再次使用ReLU激活函数，并将结果传递给最后一个卷积层，得到输出。

这只是一个简单的示例，实际上还可以使用其他的卷积层和激活函数来构建衍射神经网络。