定义一个三层卷积神经网络

以下是定义一个三层卷积神经网络的示例代码：

import torch
import torch.nn as nn

class ConvNet(nn.Module):
    def __init__(self):
        super(ConvNet, self).__init__()
        self.conv1 = nn.Conv2d(1, 16, kernel_size=3, stride=1, padding=1)
        self.relu = nn.ReLU()
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
        self.conv2 = nn.Conv2d(16, 32, kernel_size=3, stride=1, padding=1)
        self.fc = nn.Linear(32 * 7 * 7, 10)

    def forward(self, x):
        out = self.conv1(x)
        out = self.relu(out)
        out = self.pool(out)
        out = self.conv2(out)
        out = self.relu(out)
        out = self.pool(out)
        out = out.view(out.size(0), -1)
        out = self.fc(out)
        return out

model = ConvNet()
print(model)

这个示例代码定义了一个简单的三层卷积神经网络，包括两个卷积层和一个全连接层。其中，卷积层使用ReLU激活函数，池化层使用最大池化操作。最后的全连接层将卷积层的输出映射到类别标签上。