写一段两层卷积代码，使用pytorch

以下是一段使用PyTorch实现的两层卷积代码示例：

import torch
import torch.nn as nn

class ConvNet(nn.Module):
    def __init__(self, num_classes=10):
        super(ConvNet, self).__init__()
        self.layer1 = nn.Sequential(
            nn.Conv2d(in_channels=3, out_channels=32, kernel_size=3, stride=1, padding=1),
            nn.BatchNorm2d(32),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2, stride=2))
        self.layer2 = nn.Sequential(
            nn.Conv2d(in_channels=32, out_channels=64, kernel_size=3, stride=1, padding=1),
            nn.BatchNorm2d(64),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2, stride=2))
        self.fc = nn.Linear(in_features=64*8*8, out_features=num_classes)
        
    def forward(self, x):
        out = self.layer1(x)
        out = self.layer2(out)
        out = out.reshape(out.size(0), -1)
        out = self.fc(out)
        return out

在这个示例中，我们定义了一个ConvNet类，该类包含两个卷积层和一个全连接层。第一层卷积层由一个3x3的卷积核组成，输出通道数为32，带有一个batch normalization和ReLU激活函数，最后通过一个2x2的最大池化层进行下采样。第二层卷积层与第一层卷积层类似，但是输出通道数为64。最后，我们将输出压缩成一个向量，并通过全连接层将其映射到类别数（在此示例中为10）。

在forward方法中，我们首先通过第一层和第二层卷积层传递输入张量x，并使用reshape方法将输出张量展平。最后，我们将其传递到全连接层中，以获得最终的类别预测。