pytorch 可控层数的cnn

PyTorch是一个流行的深度学习框架，它提供了丰富的工具和函数来构建和训练神经网络模型。在PyTorch中，你可以通过定义自定义的卷积神经网络（CNN）模型来实现可控层数的CNN。

下面是一个简单的示例，展示了如何在PyTorch中创建一个可控层数的CNN模型：

import torch
import torch.nn as nn

class MyCNN(nn.Module):
    def __init__(self, num_layers):
        super(MyCNN, self).__init__()
        self.num_layers = num_layers
        self.layers = nn.ModuleList()
        
        # 添加卷积层和池化层
        for i in range(num_layers):
            self.layers.append(nn.Conv2d(3, 64, kernel_size=3, stride=1, padding=1))
            self.layers.append(nn.ReLU())
            self.layers.append(nn.MaxPool2d(kernel_size=2, stride=2))
        
        # 添加全连接层
        self.fc = nn.Linear(64 * 16 * 16, 10)
    
    def forward(self, x):
        for layer in self.layers:
            x = layer(x)
        x = x.view(x.size(0), -1)
        x = self.fc(x)
        return x

# 创建一个包含5层卷积层的CNN模型
model = MyCNN(num_layers=5)

在这个示例中，我们定义了一个名为`MyCNN`的自定义CNN模型。通过传入`num_layers`参数来控制卷积层的数量。在`__init__`方法中，我们使用`nn.ModuleList`来存储卷积层和池化层，并在`forward`方法中按顺序应用这些层。最后，我们添加了一个全连接层来输出最终的分类结果。