用python写CNN模型输入是28x28x1图片，输出15类

以下是一个简单的CNN模型，输入是28x28x1的灰度图像，输出15类。需要注意的是，这只是一个简单的模型，如果需要更高的准确率，需要对模型进行更多的调整和优化。

import torch.nn as nn

class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Conv2d(1, 32, 3, 1, 1)
        self.conv2 = nn.Conv2d(32, 64, 3, 1, 1)
        self.pool = nn.MaxPool2d(2, 2)
        self.fc1 = nn.Linear(64 * 7 * 7, 128)
        self.fc2 = nn.Linear(128, 15)

    def forward(self, x):
        x = self.pool(nn.functional.relu(self.conv1(x)))
        x = self.pool(nn.functional.relu(self.conv2(x)))
        x = x.view(-1, 64 * 7 * 7)
        x = nn.functional.relu(self.fc1(x))
        x = self.fc2(x)
        return x

模型中包含两个卷积层和两个全连接层，其中第一个卷积层的输入通道数为1，输出通道数为32，卷积核大小为3x3，步长为1，填充为1，第二个卷积层的输入通道数为32，输出通道数为64，卷积核大小为3x3，步长为1，填充为1。两个卷积层后接最大池化层，池化核大小为2x2，步长为2。两个全连接层的神经元数分别为128和15。最后的输出层不需要激活函数，因为在损失函数中使用的交叉熵损失已经包含了softmax操作。