使用torch.nn.modules构建卷积神经网络

卷积神经网络（Convolutional Neural Networks，CNN）是一种广泛应用于图像、语音、自然语言处理等领域的深度学习模型。在PyTorch里，我们可以使用torch.nn.modules构建卷积神经网络。

首先，我们需要导入必要的库：

import torch
import torch.nn as nn

接下来，我们可以定义一个卷积神经网络的类：

class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        
        # 卷积层1
        self.conv1 = nn.Conv2d(1, 16, kernel_size=3, stride=1, padding=1)
        
        # 池化层1
        self.pool1 = nn.MaxPool2d(kernel_size=2, stride=2)
        
        # 卷积层2
        self.conv2 = nn.Conv2d(16, 32, kernel_size=3, stride=1, padding=1)
        
        # 池化层2
        self.pool2 = nn.MaxPool2d(kernel_size=2, stride=2)
        
        # 全连接层
        self.fc = nn.Linear(32 * 7 * 7, 10)
        
    def forward(self, x):
        x = self.conv1(x)
        x = nn.functional.relu(x)
        x = self.pool1(x)
        x = self.conv2(x)
        x = nn.functional.relu(x)
        x = self.pool2(x)
        x = x.view(x.size(0), -1)
        x = self.fc(x)
        return x

在这个例子中，我们定义了一个包含两个卷积层和一个全连接层的卷积神经网络。网络的前向传播在forward函数中定义，其中使用了卷积、激活函数、池化等操作。

接下来，我们可以实例化这个卷积神经网络并赋予其相应的输入：

cnn = CNN()
input = torch.randn(1, 1, 28, 28)
output = cnn(input)

在这个例子中，我们实例化了一个名为cnn的卷积神经网络，并生成一个大小为1x1x28x28的随机输入（模拟一张28x28像素的灰度图像）。然后通过调用cnn的forward方法获取网络的输出。

以上是一个简单的使用torch.nn.modules构建卷积神经网络的例子。当然，卷积神经网络的结构和参数可以根据具体问题进行调整和修改，这只是一个示例。同时，我们还可以使用更复杂的网络结构和其他功能模块来构建更强大的卷积神经网络。