我想用pytorch训练自己的模型，用到卷积神经网络

好的，PyTorch是一个非常流行的深度学习框架，支持卷积神经网络的训练。首先你需要安装PyTorch，可以参考官方文档进行安装：https://pytorch.org/get-started/locally/

接下来我们可以开始构建卷积神经网络模型。一般来说，卷积神经网络模型由卷积层、池化层、全连接层等组成。在PyTorch中，我们可以使用`nn`模块来构建神经网络模型。下面是一个简单的卷积神经网络模型示例：

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

class Net(nn.Module):

    def __init__(self):
        super(Net, self).__init__()
        # 卷积层
        self.conv1 = nn.Conv2d(1, 6, 3)
        self.conv2 = nn.Conv2d(6, 16, 3)
        # 全连接层
        self.fc1 = nn.Linear(16 * 6 * 6, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        # 卷积层 -> 激活函数 -> 池化层
        x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
        x = F.max_pool2d(F.relu(self.conv2(x)), 2)
        # 将张量展平
        x = x.view(-1, self.num_flat_features(x))
        # 全连接层 -> 激活函数
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

    def num_flat_features(self, x):
        size = x.size()[1:]  # 所有维度除了batch维度
        num_features = 1
        for s in size:
            num_features *= s
        return num_features

以上是一个较为简单的卷积神经网络模型，其中包括两个卷积层、两个池化层、三个全连接层。在`__init__`函数中，我们定义了每个层的输入输出通道数、卷积核大小、全连接层的输入输出节点数等。在`forward`函数中，我们实现了模型的前向传播过程，即卷积层 -> 激活函数 -> 池化层 -> 全连接层 -> 激活函数 -> 全连接层 -> 输出。在本例中，我们使用ReLU作为激活函数，最后一层输出10个节点，表示10类分类问题。

接下来，你可以通过定义损失函数和优化器，对该网络进行训练。在训练过程中，你需要提供训练数据集和测试数据集，并对模型进行迭代优化，使得模型的损失函数逐渐减小，最终达到预期的准确率。