做2输入3输出的cnn非回归预测的代码

以下是一个简单的2输入3输出的CNN非回归预测的代码示例：

import torch
import torch.nn as nn

class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Conv2d(2, 16, kernel_size=3, stride=1, padding=1)
        self.conv2 = nn.Conv2d(16, 32, kernel_size=3, stride=1, padding=1)
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
        self.fc = nn.Linear(32 * 7 * 7, 3)

    def forward(self, x):
        x = self.pool(torch.relu(self.conv1(x)))
        x = self.pool(torch.relu(self.conv2(x)))
        x = x.view(-1, 32 * 7 * 7)
        x = self.fc(x)
        return x

# 定义模型和优化器
model = CNN()
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

# 准备数据
inputs = torch.randn(10, 2, 28, 28)
labels = torch.randn(10, 3)

# 训练模型
for epoch in range(100):
    optimizer.zero_grad()
    outputs = model(inputs)
    loss = criterion(outputs, labels)
    loss.backward()
    optimizer.step()
    print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, 100, loss.item()))

# 测试模型
with torch.no_grad():
    test_inputs = torch.randn(1, 2, 28, 28)
    test_outputs = model(test_inputs)
    print('Test Output:', test_outputs)

这个代码示例定义了一个简单的CNN模型，该模型接受两个28x28的输入图像，并输出三个预测值。训练过程中使用均方误差作为损失函数，Adam优化器进行优化。最后，使用一个随机的输入图像进行测试，输出该模型的预测结果。