cnn代码，使用pytorch，将45x235的低分辨率输入映射为150x675的高分辨率输出,训练数据为700个，测试数据为300个，并且把训练误差和测试误差打印出图片，训练数据excel是存放在编号为1-700的表格中，测试数据存放在编号为701-1000的excel表格中。

您可以使用以下代码示例来实现CNN（卷积神经网络）的图像超分辨率（image super-resolution）任务，使用PyTorch框架进行训练和测试。请确保您已经安装了PyTorch和Pandas库，并将训练和测试数据准备好。

import torch
import torch.nn as nn
import torch.optim as optim
import pandas as pd
from torch.utils.data import Dataset, DataLoader

# 定义超分辨率模型
class SuperResolutionModel(nn.Module):
    def __init__(self):
        super(SuperResolutionModel, self).__init__()
        self.conv1 = nn.Conv2d(1, 16, kernel_size=3, stride=1, padding=1)
        self.conv2 = nn.Conv2d(16, 32, kernel_size=3, stride=1, padding=1)
        self.conv3 = nn.Conv2d(32, 1, kernel_size=3, stride=1, padding=1)
        self.relu = nn.ReLU()

    def forward(self, x):
        out = self.relu(self.conv1(x))
        out = self.relu(self.conv2(out))
        out = self.conv3(out)
        return out

# 定义数据集类
class CustomDataset(Dataset):
    def __init__(self, csv_file):
        self.data = pd.read_csv(csv_file)

    def __len__(self):
        return len(self.data)

    def __getitem__(self, idx):
        img_path = self.data['image_path'][idx]
        low_res_image = load_image(img_path)  # 自定义加载低分辨率图像的函数
        high_res_image = load_image(img_path.replace('low_res', 'high_res'))  # 自定义加载高分辨率图像的函数
        return low_res_image, high_res_image

# 训练函数
def train(model, train_loader, criterion, optimizer):
    model.train()
    train_loss = 0.0
    for i, (input, target) in enumerate(train_loader):
        input = input.to(device)
        target = target.to(device)

        optimizer.zero_grad()
        output = model(input)
        loss = criterion(output, target)
        loss.backward()
        optimizer.step()

        train_loss += loss.item()

    return train_loss / len(train_loader)

# 测试函数
def test(model, test_loader, criterion):
    model.eval()
    test_loss = 0.0
    with torch.no_grad():
        for i, (input, target) in enumerate(test_loader):
            input = input.to(device)
            target = target.to(device)

            output = model(input)
            loss = criterion(output, target)

            test_loss += loss.item()

    return test_loss / len(test_loader)

# 定义训练和测试数据的路径
train_csv_file = 'train_data.csv'
test_csv_file = 'test_data.csv'

# 创建数据集和数据加载器
train_dataset = CustomDataset(train_csv_file)
test_dataset = CustomDataset(test_csv_file)
train_loader = DataLoader(train_dataset, batch_size=16, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=16)

# 创建模型实例和损失函数
model = SuperResolutionModel()
criterion = nn.MSELoss()

# 使用GPU加速训练（如可用）
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model.to(device)

# 定义优化器
optimizer = optim.Adam(model.parameters(), lr=0.001)

# 训练和测试循环
num_epochs = 10
for epoch in range(num_epochs):
    train_loss = train(model, train_loader, criterion, optimizer)
    test_loss = test(model, test_loader, criterion)
    print(f"Epoch {epoch+1}/{num_epochs}, Train Loss: {train_loss:.4f}, Test Loss: {test_loss:.4f}")

# 保存模型
torch.save(model.state_dict(), 'super_resolution_model.pth')

在上述代码中，您需要自定义加载低分辨率图像和高分辨率图像的函数`load_image()`，并将其替换为适用于您的数据集的加载函数。您还需要将训练和测试数据的CSV文件路径替换为实际的文件路径。

训练数据的CSV文件（train_data.csv）应具有以下格式：

image_path
1.jpg
2.jpg
...
700.jpg

测试数据的CSV文件（test_data.csv）应具有以下格式：

image_path
701.jpg
702.jpg
...
1000.jpg

请确保您的训练和测试数据文件夹中包含相应的图像文件，并按照指定的文件名格式进行命名。