基于小数据集的CNN模型架构最优调整策略，生成pytorch代码

针对基于小数据集的CNN模型架构最优调整策略，有以下几个方面需要考虑：

1. 网络深度与宽度：对于小数据集，一般不建议使用过深的网络，否则容易过拟合。可以考虑使用较浅的网络结构，并将网络宽度适当调整，以提高模型的泛化能力。
2. 激活函数：一般情况下，ReLU 和其变种是比较常用的激活函数。但是对于小数据集，可能会出现梯度消失等问题，因此可以考虑使用其它的激活函数，如LeakyReLU等。
3. 正则化：为了避免过拟合，可以在网络中加入正则化项，如L1、L2正则化、Dropout等。
4. 批规范化：批规范化可以一定程度上缓解梯度消失问题，同时也可以提高模型的泛化能力。
5. 优化器：对于小数据集，可以考虑使用较小的学习率，以避免过拟合。同时，也可以尝试使用其它的优化器，如Adam优化器等。

下面是一个基于PyTorch的CNN模型代码示例：

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

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 32, 3, padding=1)
        self.bn1 = nn.BatchNorm2d(32)
        self.conv2 = nn.Conv2d(32, 64, 3, padding=1)
        self.bn2 = nn.BatchNorm2d(64)
        self.conv3 = nn.Conv2d(64, 128, 3, padding=1)
        self.bn3 = nn.BatchNorm2d(128)
        self.fc1 = nn.Linear(128 * 4 * 4, 512)
        self.fc2 = nn.Linear(512, 10)

    def forward(self, x):
        x = F.relu(self.bn1(self.conv1(x)))
        x = F.max_pool2d(x, 2)
        x = F.relu(self.bn2(self.conv2(x)))
        x = F.max_pool2d(x, 2)
        x = F.relu(self.bn3(self.conv3(x)))
        x = F.max_pool2d(x, 2)
        x = x.view(-1, 128 * 4 * 4)
        x = F.relu(self.fc1(x))
        x = self.fc2(x)
        return x

net = Net()

该示例中使用了三个卷积层和两个全连接层，同时加入了批规范化和ReLU激活函数，可以根据具体的问题进行调整。