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。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，请发送邮件至 55@qq.com 举报，一经查实，本站将立刻删除。转转请注明出处：https://www.szhjjp.com/n/938027.html
