无池化层卷积神经网络：代码示例与解释

以下是一个没有池化层的卷积神经网络的代码示例：

import torch.nn as nn

class ConvNet(nn.Module):
    def __init__(self):
        super(ConvNet, self).__init__()
        
        # 定义卷积层
        self.conv1 = nn.Conv2d(in_channels=3, out_channels=32, kernel_size=3, stride=1, padding=1)
        self.conv2 = nn.Conv2d(in_channels=32, out_channels=64, kernel_size=3, stride=1, padding=1)
        self.conv3 = nn.Conv2d(in_channels=64, out_channels=128, kernel_size=3, stride=1, padding=1)
        self.conv4 = nn.Conv2d(in_channels=128, out_channels=256, kernel_size=3, stride=1, padding=1)
        
        # 定义全连接层
        self.fc1 = nn.Linear(in_features=256*8*8, out_features=1024)
        self.fc2 = nn.Linear(in_features=1024, out_features=10)
        
        # 定义激活函数
        self.relu = nn.ReLU(inplace=True)
        
    def forward(self, x):
        # 卷积层
        x = self.conv1(x)
        x = self.relu(x)
        x = self.conv2(x)
        x = self.relu(x)
        x = self.conv3(x)
        x = self.relu(x)
        x = self.conv4(x)
        x = self.relu(x)
        
        # 将特征图展开成一维向量
        x = x.view(-1, 256*8*8)
        
        # 全连接层
        x = self.fc1(x)
        x = self.relu(x)
        x = self.fc2(x)
        
        return x

该网络使用了四个卷积层和两个全连接层。每个卷积层后面都跟着一个ReLU激活函数。最后的全连接层输出10个类别的概率分布，对应于10个输出节点。在网络的前向传播过程中，每个卷积层的输出都会被传递给下一个卷积层，直到最后一个卷积层的输出被展开成一维向量，并输入到全连接层中。

总结：

该代码示例展示了如何构建一个没有池化层的卷积神经网络，它通过多层卷积和ReLU激活函数，并使用全连接层进行最终分类。这种网络架构可以有效地提取特征，并适用于各种图像分类任务。