python写一个三通道的二维卷积神经网络完成分类任务的代码

以下是一个三通道的二维卷积神经网络分类任务的Python代码示例：

import torch
import torch.nn as nn

class ThreeChannelConvNet(nn.Module):
    def __init__(self, num_classes=10):
        super(ThreeChannelConvNet, self).__init__()
        self.layer1 = nn.Sequential(
            nn.Conv2d(3, 16, kernel_size=5, stride=1, padding=2),
            nn.BatchNorm2d(16),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2, stride=2))
        self.layer2 = nn.Sequential(
            nn.Conv2d(16, 32, kernel_size=5, stride=1, padding=2),
            nn.BatchNorm2d(32),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2, stride=2))
        self.fc1 = nn.Linear(8*8*32, 100)
        self.fc2 = nn.Linear(100, num_classes)
        
    def forward(self, x):
        out = self.layer1(x)
        out = self.layer2(out)
        out = out.reshape(out.size(0), -1)
        out = self.fc1(out)
        out = self.fc2(out)
        return out

该代码定义了一个名为ThreeChannelConvNet的类，它继承了PyTorch中的nn.Module类。在构造函数__init__()中，我们定义了一个由两个卷积层和两个全连接层组成的神经网络。在forward()方法中，通过调用两个卷积层、两个池化层和两个全连接层的官方方法，为输入张量x执行前向传递。这个网络输入三通道的图像，输出一个长度为num_classes的张量，其中包含了对每个类别的预测结果。

请注意，因为这是一种分类任务，所以我们必须在模型的最终层中使用Softmax将输出scores转换成概率。如果在预测过程中不需要该信息，可以在forward()方法中省略Softmax。