CNN各个网络的pytorch代码

卷积神经网络（Convolutional Neural Network, CNN）在PyTorch中通常通过`torch.nn`模块来实现。下面是一个简单的例子，展示了如何创建一个基本的卷积层和全连接层组成的CNN模型：

import torch
import torch.nn as nn

class SimpleCNN(nn.Module):
    def __init__(self, input_channels, num_classes):
        super(SimpleCNN, self).__init__()
        
        # 卷积层
        self.conv1 = nn.Conv2d(input_channels, 32, kernel_size=3, stride=1, padding=1)
        self.relu1 = nn.ReLU()   # 激活函数
        self.pool1 = nn.MaxPool2d(kernel_size=2, stride=2)   # 下采样
        
        # 第二个卷积层
        self.conv2 = nn.Conv2d(32, 64, kernel_size=3, stride=1, padding=1)
        self.relu2 = nn.ReLU()
        self.pool2 = nn.MaxPool2d(kernel_size=2, stride=2)

        # 全连接层
        self.fc1 = nn.Linear(64 * 8 * 8, 128)  # 假设输入图片是8x8经过池化后的大小
        self.relu_fc = nn.ReLU()
        self.dropout = nn.Dropout(p=0.5)  # 防止过拟合
        self.fc2 = nn.Linear(128, num_classes)

    def forward(self, x):
        x = self.conv1(x)
        x = self.relu1(x)
        x = self.pool1(x)
        
        x = self.conv2(x)
        x = self.relu2(x)
        x = self.pool2(x)
        
        # 将张量展平并连接到全连接层
        x = x.view(-1, 64 * 8 * 8)
        x = self.fc1(x)
        x = self.relu_fc(x)
        x = self.dropout(x)
        x = self.fc2(x)
        return x

# 使用示例
model = SimpleCNN(3, 10)  # 输入通道3（RGB），假设有10个类别
input_tensor = torch.randn(1, 3, 32, 32)  # (batch_size, channels, height, width)
output = model(input_tensor)

这个例子中，我们创建了一个包含两个卷积层、两次池化操作以及两个全连接层的模型。每个部分都有相应的激活函数，如ReLU，以及在全连接层之前可能会有的Dropout层。