写一个能进行深度学习的卷积神经网络

以下是一个简单的卷积神经网络的代码示例，可以用于图像分类任务：

import torch
import torch.nn as nn

class ConvNet(nn.Module):
    def __init__(self, num_classes=10):
        super(ConvNet, self).__init__()
        
        # 3个卷积层
        self.conv1 = nn.Conv2d(3, 6, kernel_size=5)
        self.conv2 = nn.Conv2d(6, 16, kernel_size=5)
        self.conv3 = nn.Conv2d(16, 32, kernel_size=5)
        
        # 2个池化层
        self.pool = nn.MaxPool2d(kernel_size=2)
        
        # 2个全连接层
        self.fc1 = nn.Linear(32 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, num_classes)
        
        # 激活函数
        self.relu = nn.ReLU()
        
    def forward(self, x):
        # 卷积、激活函数、池化
        x = self.relu(self.conv1(x))
        x = self.pool(x)
        
        x = self.relu(self.conv2(x))
        x = self.pool(x)
        
        x = self.relu(self.conv3(x))
        x = self.pool(x)
        
        # 展开
        x = x.view(x.size(0), -1)
        
        # 全连接层、激活函数
        x = self.relu(self.fc1(x))
        x = self.fc2(x)
        
        return x

这个网络有3个卷积层，2个池化层，2个全连接层和ReLU激活函数。输入的图像大小为3x32x32，输出的类别数为10。可以根据实际任务进行调整。