卷积神经网络两层全连接层python实现

以下是一个简单的卷积神经网络的两层全连接层的Python实现：

import torch
import torch.nn as nn

class ConvNet(nn.Module):
    def __init__(self):
        super(ConvNet, self).__init__()
        # 定义卷积层，输入通道数为1，输出通道数为6，卷积核大小为5x5
        self.conv1 = nn.Conv2d(1, 6, kernel_size=5)
        # 定义池化层，池化核大小为2x2，步长为2
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
        # 定义卷积层，输入通道数为6，输出通道数为16，卷积核大小为5x5
        self.conv2 = nn.Conv2d(6, 16, kernel_size=5)
        # 定义全连接层，输入节点数为16*5*5，输出节点数为120
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        # 定义全连接层，输入节点数为120，输出节点数为10（这里是10分类问题）
        self.fc2 = nn.Linear(120, 10)

    def forward(self, x):
        # 前向传播
        x = self.pool(torch.relu(self.conv1(x)))
        x = self.pool(torch.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = torch.relu(self.fc1(x))
        x = self.fc2(x)
        return x

在这个实现中，我们定义了一个名为`ConvNet`的类，它继承自`nn.Module`。我们在`__init__`方法中定义了卷积层、池化层和全连接层的结构，并在`forward`方法中实现了前向传播的过程。在前向传播过程中，我们首先进行两次卷积和池化操作，然后将结果展平成一维向量，再通过两个全连接层进行分类。

需要注意的是，这个实现中的卷积层、池化层和全连接层都是PyTorch中已经定义好的层，我们只需要在`__init__`方法中进行实例化即可。在`forward`方法中，我们使用了PyTorch中已经定义好的激活函数（ReLU）和损失函数（CrossEntropyLoss）。