cnn结构pytorch代码示例

卷积神经网络（Convolutional Neural Networks, CNN）是一种深度学习模型，广泛应用于图像识别、视频分析等任务。下面是一个使用PyTorch框架构建简单CNN模型的基本代码示例：

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

# 定义一个简单的CNN模型
class SimpleCNN(nn.Module):
    def __init__(self):
        super(SimpleCNN, self).__init__()
        # 定义第一层卷积层，使用3个3x3的卷积核，输出通道数为16
        self.conv1 = nn.Conv2d(in_channels=1, out_channels=16, kernel_size=3, padding=1)
        # 定义第二层卷积层，使用64个3x3的卷积核
        self.conv2 = nn.Conv2d(in_channels=16, out_channels=64, kernel_size=3, padding=1)
        # 定义一个最大池化层，池化窗口大小为2x2
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
        # 定义一个全连接层，输入特征数为64*7*7，输出10个类别
        self.fc = nn.Linear(64*7*7, 10)

    def forward(self, x):
        # 通过第一个卷积层后接ReLU激活函数
        x = F.relu(self.conv1(x))
        # 应用最大池化层
        x = self.pool(x)
        # 通过第二个卷积层后接ReLU激活函数
        x = F.relu(self.conv2(x))
        # 再次应用最大池化层
        x = self.pool(x)
        # 将数据展平以便输入全连接层
        x = x.view(-1, 64*7*7)
        # 通过全连接层得到最终的输出结果
        x = self.fc(x)
        return x

# 实例化模型
model = SimpleCNN()

# 打印模型结构
print(model)

这段代码定义了一个简单的CNN模型，包括两个卷积层和一个全连接层。这个模型可以用于处理28x28像素的灰度图像，并将其分为10个类别。注意，在实际应用中，模型的结构和参数需要根据具体任务进行调整和优化。