pytorch cnn

PyTorch中的卷积神经网络（Convolutional Neural Networks，CNN）通常使用torch.nn.Conv2d模块实现。Conv2d模块需要输入四个参数：输入通道数（in_channels），输出通道数（out_channels），卷积核大小（kernel_size）和步长（stride）。以下是一个简单的CNN模型的例子：

import torch.nn as nn

class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Conv2d(in_channels=3, out_channels=32, kernel_size=3, stride=1)
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
        self.conv2 = nn.Conv2d(in_channels=32, out_channels=64, kernel_size=3, stride=1)
        self.fc1 = nn.Linear(64 * 6 * 6, 128)
        self.fc2 = nn.Linear(128, 10)

    def forward(self, x):
        x = nn.functional.relu(self.conv1(x))
        x = self.pool(x)
        x = nn.functional.relu(self.conv2(x))
        x = self.pool(x)
        x = x.view(-1, 64 * 6 * 6)
        x = nn.functional.relu(self.fc1(x))
        x = self.fc2(x)
        return x

上面的代码定义了一个具有两个卷积层和两个全连接层的CNN模型。在forward函数中，我们首先使用ReLU激活函数对卷积层的输出进行激活，然后使用最大池化层对特征图进行下采样。最后，我们将特征图展平为向量，并通过两个全连接层进行分类。