pytorch怎么搭建卷积神经网络

在PyTorch中搭建卷积神经网络（Convolutional Neural Network，CNN）通常需要使用torch.nn模块。以下是一个简单的示例，展示了如何使用PyTorch构建一个包含两个卷积层和两个全连接层的CNN：

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

class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        
        # 第一个卷积层
        self.conv1 = nn.Conv2d(in_channels=1, out_channels=16, kernel_size=3)
        # 第二个卷积层
        self.conv2 = nn.Conv2d(in_channels=16, out_channels=32, kernel_size=3)
        
        # 全连接层
        self.fc1 = nn.Linear(32 * 5 * 5, 128)
        self.fc2 = nn.Linear(128, 10) # 假设输出类别数为10
        
    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 = x.view(-1, 32 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = self.fc2(x)
        return x

# 实例化模型
model = CNN()

以上代码定义了一个简单的CNN模型，包含两个卷积层和两个全连接层。在forward方法中，定义了模型的前向传播过程，通过卷积操作、激活函数和池化操作构建了CNN的基本结构。最后实例化了这个CNN模型。

你可以根据自己的需求和问题场景修改模型结构、调整参数，来进一步优化和定制化你的CNN模型。PyTorch提供了丰富的工具和API，可以帮助你更好地构建和训练卷积神经网络。