pytorch写CNN代码

在PyTorch中编写卷积神经网络（CNN）通常涉及以下几个步骤：

1. 导入必要的库：

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

2. 定义网络结构：
CNN通常由卷积层（Convolutional layers）、池化层（Pooling layers）、全连接层（Fully connected layers）组成。下面是一个简单的CNN结构示例：

class SimpleCNN(nn.Module):
    def __init__(self):
        super(SimpleCNN, self).__init__()
        # 定义第一个卷积层
        self.conv1 = nn.Conv2d(in_channels=1, out_channels=32, kernel_size=3, stride=1, padding=1)
        # 定义第二个卷积层
        self.conv2 = nn.Conv2d(in_channels=32, out_channels=64, kernel_size=3, stride=1, padding=1)
        # 定义池化层
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2, padding=0)
        # 定义全连接层
        self.fc1 = nn.Linear(64 * 7 * 7, 1024)
        self.fc2 = nn.Linear(1024, 10)

    def forward(self, x):
        # 通过第一个卷积层后接ReLU激活函数
        x = F.relu(self.conv1(x))
        # 通过池化层
        x = self.pool(x)
        # 通过第二个卷积层后接ReLU激活函数
        x = F.relu(self.conv2(x))
        # 再次通过池化层
        x = self.pool(x)
        # 展平特征图
        x = x.view(-1, 64 * 7 * 7)
        # 通过第一个全连接层
        x = F.relu(self.fc1(x))
        # 通过第二个全连接层得到最终的输出
        x = self.fc2(x)
        return x

在上述代码中，`in_channels` 表示输入图像的通道数，`out_channels` 表示卷积核的数量，`kernel_size` 表示卷积核的大小，`stride` 表示步长，`padding` 表示边缘填充的大小。`forward` 方法定义了数据通过网络的流程。

3. 实例化网络并定义损失函数和优化器：

# 实例化网络
net = SimpleCNN()

# 定义损失函数
criterion = nn.CrossEntropyLoss()

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

4. 训练网络：

for epoch in range(num_epochs):
    for i, data in enumerate(trainloader, 0):
        # 获取输入
        inputs, labels = data
        # 梯度清零
        optimizer.zero_grad()
        # 前向传播
        outputs = net(inputs)
        # 计算损失
        loss = criterion(outputs, labels)
        # 反向传播
        loss.backward()
        # 更新参数
        optimizer.step()

以上就是一个简单的CNN模型在PyTorch中的基本结构和训练流程。在实际应用中，你可能需要根据任务调整网络结构、超参数和训练策略。