补充以下代码：class Cnn(nn.Module): def __init__(self, in_dim, n_class): # 28x28x1 super(Cnn, self).__init__() # 实验二：自选模型结构的搭建，注意ReLu函数模块 self.conv = nn.Sequential( ) # 实验二：全连接层模块的搭建 self.fc = nn.Sequential( ) def forward(self, x): out = self.conv(x) out = out.view(out.size(0), 400) # 400 = 5 * 5 * 16, out = self.fc(out) return out

这段代码定义了一个名为Cnn的类，该类继承自nn.Module。该类的构造函数__init__接受两个参数：in_dim和n_class，分别表示输入数据的特征维度和分类数目。在构造函数中，首先调用父类的构造函数来初始化Cnn类的成员变量，然后定义了一个卷积神经网络模型和一个全连接神经网络模型。

卷积神经网络模型conv和全连接神经网络模型fc都是空的，需要我们来补充具体的层次结构。

下面是一个卷积神经网络模型conv的例子，包含两个卷积层和两个最大池化层：

self.conv = nn.Sequential(
            nn.Conv2d(in_dim, 16, 5, stride=1, padding=2),
            nn.ReLU(),
            nn.MaxPool2d(2, 2),
            nn.Conv2d(16, 32, 5, stride=1, padding=2),
            nn.ReLU(),
            nn.MaxPool2d(2, 2)
        )

下面是一个全连接神经网络模型fc的例子，包含两个线性层和一个ReLU激活函数层：

self.fc = nn.Sequential(
            nn.Linear(32 * 7 * 7, 100),
            nn.ReLU(),
            nn.Linear(100, n_class)
        )

在forward函数中，将输入数据x经过卷积神经网络模型和全连接神经网络模型，得到最终的输出结果out。