日攻一卒 ---简单的神经网络

class SharedConvNet(nn.Module):
    def __init__(self):
        super(SharedConvNet, self).__init__()
        self.conv = nn.Sequential(
            nn.Conv2d(3, 32, kernel_size=3, stride=1, padding=1),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2, stride=2),
            nn.Conv2d(32, 64, kernel_size=3, stride=1, padding=1),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2, stride=2),
            nn.Conv2d(64, 128, kernel_size=3, stride=1, padding=1),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2, stride=2)
        )
        self.output_dim = 128

    def forward(self, x):
        x = self.conv(x)
        x = x.view(x.size(0), -1)
        return x

class PrivateFCN(nn.Module):
    def __init__(self, num_classes):
        super(PrivateFCN, self).__init__()
        self.fc = nn.Sequential(
            nn.Linear(2048, 64), # Modify this line to have the correct input dimension
            nn.ReLU(),
            nn.Linear(64, num_classes)
        )

    def forward(self, x):
        x = self.fc(x)
        return x

这是一个PrivateFCN的全连接网络（FCN）， 继承了pytoch中的nn.Module。
这个网络包括一个线性层，一个激活函数，以及另一个线性层。 结构如下：

init:
在这个方法中，定义了网络的结构。包含以下层：
第一层： 线性层，输入维度是2048，输出维度是64.
relu激活函数
第二层：线性层， 输入64，输出维度是 ‘num_classes’表示分类任务中类别的数量

forward方法
这是网络的前向传播方法。 他接受输入张量x（经过卷积层处理后的特征向量），将其传递给定义的全连接层， 然后返回输出张量。 输出张量的维度是 (batch_size, num_classes)，表示每个样本属于每个类别的概率分布。