pytorch增加卷积层的代码

以下是一个增加卷积层的示例代码：

import torch.nn as nn

class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.conv1 = nn.Conv2d(in_channels=3, out_channels=16, kernel_size=3, stride=1, padding=1)
        # 添加另一个卷积层
        self.conv2 = nn.Conv2d(in_channels=16, out_channels=32, kernel_size=3, stride=1, padding=1)
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
        self.fc = nn.Linear(in_features=32*8*8, out_features=10)

    def forward(self, x):
        x = self.conv1(x)
        x = nn.functional.relu(x)
        x = self.pool(x)
        # 添加另一个卷积层
        x = self.conv2(x)
        x = nn.functional.relu(x)
        x = self.pool(x)
        x = x.view(-1, 32*8*8)
        x = self.fc(x)

        return x

在此示例中，我们定义了一个名为`MyModel`的类，它包含了两个卷积层。在初始化函数中，我们使用`nn.Conv2d`来定义卷积层，并指定其输入通道数（`in_channels`）、输出通道数（`out_channels`）、卷积核大小（`kernel_size`）、步幅（`stride`）和填充（`padding`）等参数。然后定义了一个池化层`self.pool`和一个全连接层`self.fc`。

在前向传递函数中，我们按顺序将输入`x`通过卷积层、激活函数、池化层和全连接层，最终返回输出。