pytorch网络搭建

PyTorch是一个基于Python的科学计算库，主要用于机器学习和深度学习研究，可以帮助用户构建自己的神经网络模型，进行模型训练和预测。

以下是一个简单的PyTorch网络搭建的代码示例：

import torch.nn as nn
import torch.nn.functional as F

class SimpleNet(nn.Module):
    def __init__(self):
        super(SimpleNet, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

以上代码定义了一个`SimpleNet`类，继承自`nn.Module`，并实现了`__init__`和`forward`两个方法。在`__init__`方法中，定义了卷积层、池化层和全连接层等模块，并初始化它们的参数。在`forward`方法中，实现了模型的前向传播，即将输入数据通过各个模块进行计算，并返回最终的输出结果。

在使用这个模型时，只需要将输入数据传入模型的`forward`方法中即可，模型会自动进行计算并返回输出结果。例如：

import torch

net = SimpleNet()
input_data = torch.randn(1, 3, 32, 32)
output_data = net(input_data)
print(output_data)

以上代码创建了一个`SimpleNet`的实例`net`，并生成了一个随机的输入数据`input_data`，将其传入模型的`forward`方法中，得到输出结果`output_data`。最后，将`output_data`打印出来，即可查看模型的输出结果。