卷积神经网络torch

卷积神经网络（Convolutional Neural Network，简称CNN）是一种在计算机视觉和图像处理领域广泛应用的深度学习模型。在PyTorch中，可以使用torch.nn模块来构建和训练CNN模型。

首先，你需要导入相应的库：

import torch
import torch.nn as nn

然后，你可以定义一个CNN模型。一个典型的CNN模型通常由卷积层（Convolutional Layer）、池化层（Pooling Layer）和全连接层（Fully Connected Layer）组成。

下面是一个简单的例子：

class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        
        # 定义卷积层
        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)
        
        # 定义池化层
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
        
        # 定义全连接层
        self.fc = nn.Linear(32 * 7 * 7, 10)  # 假设输入图像大小为28x28
        
    def forward(self, x):
        x = self.conv1(x)
        x = nn.ReLU()(x)
        x = self.pool(x)
        x = self.conv2(x)
        x = nn.ReLU()(x)
        x = self.pool(x)
        x = x.view(x.size(0), -1)
        x = self.fc(x)
        
        return x

在上面的例子中，我们定义了一个具有两个卷积层、两个池化层和一个全连接层的CNN模型。在forward方法中，我们定义了模型的前向传播过程。

创建一个CNN模型的实例后，你可以使用PyTorch提供的优化器（如SGD或Adam）和损失函数（如交叉熵损失）来训练模型。

希望这个简单的例子能对你有所帮助！如果有更详细或者其他方面的问题，请随时提问。