在pytorch上构建卷积神经网络的代码

以下是在PyTorch上构建卷积神经网络的代码示例：

import torch
import torch.nn as nn

class ConvNet(nn.Module):
    def __init__(self):
        super(ConvNet, self).__init__()
        
        # 定义卷积层
        self.conv1 = nn.Conv2d(in_channels=1, out_channels=32, kernel_size=3, stride=1, padding=1)
        self.conv2 = nn.Conv2d(in_channels=32, out_channels=64, 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.fc1 = nn.Linear(in_features=64*7*7, out_features=128)
        self.fc2 = nn.Linear(in_features=128, out_features=10)
        
        # 定义激活函数
        self.relu = nn.ReLU()
        
    def forward(self, x):
        # 卷积、激活函数、池化
        x = self.conv1(x)
        x = self.relu(x)
        x = self.pool(x)
        
        # 卷积、激活函数、池化
        x = self.conv2(x)
        x = self.relu(x)
        x = self.pool(x)
        
        # 展开
        x = torch.flatten(x, 1)
        
        # 全连接、激活函数
        x = self.fc1(x)
        x = self.relu(x)
        
        # 全连接
        x = self.fc2(x)
        
        return x

这是一个包含两个卷积层和两个全连接层的简单卷积神经网络。其中，`nn.Conv2d`表示卷积层，`nn.MaxPool2d`表示池化层，`nn.Linear`表示全连接层，`nn.ReLU`表示激活函数。在`forward`函数中，通过对输入数据进行卷积、激活函数、池化等操作，最终输出预测结果。