基于pytorch生成5层cnn网络，输入大小为4*30，类别数为3

下面是一个基于PyTorch的5层CNN网络示例，输入大小为4*30，输出类别数为3：

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

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        # 5层CNN网络
        self.conv1 = nn.Conv2d(1, 16, 3)
        self.conv2 = nn.Conv2d(16, 32, 3)
        self.conv3 = nn.Conv2d(32, 64, 3)
        self.conv4 = nn.Conv2d(64, 128, 3)
        self.conv5 = nn.Conv2d(128, 256, 3)
        self.fc1 = nn.Linear(256 * 1 * 10, 128)
        self.fc2 = nn.Linear(128, 3)

    def forward(self, x):
        x = F.relu(self.conv1(x))
        x = F.max_pool2d(x, 2)
        x = F.relu(self.conv2(x))
        x = F.max_pool2d(x, 2)
        x = F.relu(self.conv3(x))
        x = F.max_pool2d(x, 2)
        x = F.relu(self.conv4(x))
        x = F.max_pool2d(x, 2)
        x = F.relu(self.conv5(x))
        x = F.max_pool2d(x, 2)
        x = x.view(-1, 256 * 1 * 10)
        x = F.relu(self.fc1(x))
        x = self.fc2(x)
        return x

上述代码中，我们定义了一个名为`Net`的类，继承自`nn.Module`类。在初始化函数中，我们定义了5个卷积层和2个全连接层。在`forward`函数中，我们对输入数据进行了一系列的卷积、池化和全连接操作，最终输出预测结果。其中，`view`函数用于将张量的形状改为指定的形状，以便后续的全连接操作。