总结：ChatGPT用来找示例代码还是不错的。

ChatGPT的回答如下

下面是一个使用 PyTorch 构建卷积神经网络（CNN）的示例代码：

import torch
import torch.nn as nn

class CNN(nn.Module):
    def __init__(self, num_classes):
        super(CNN, self).__init__()
        self.conv1 = nn.Conv2d(in_channels=1, out_channels=16, kernel_size=5, stride=1, padding=2)
        self.conv2 = nn.Conv2d(in_channels=16, out_channels=32, kernel_size=5, stride=1, padding=2)
        self.fc1 = nn.Linear(in_features=32*7*7, out_features=1024)
        self.fc2 = nn.Linear(in_features=1024, out_features=num_classes)

    def forward(self, x):
        x = self.conv1(x)
        x = torch.relu(x)
        x = torch.max_pool2d(x, kernel_size=2, stride=2)
        x = self.conv2(x)
        x = torch.relu(x)
        x = torch.max_pool2d(x, kernel_size=2, stride=2)
        x = x.view(x.size(0), -1)
        x = self.fc1(x)
        x = torch.relu(x)
        x = self.fc2(x)
        return x

model = CNN(num_classes=10)

在上面的代码中，我们定义了一个名为 CNN 的类，继承自 PyTorch 的 nn.Module 类。在构造函数中，我们定义了四个卷积层：两个卷积层和两个全连接层。

在前向传播函数 forward 中，我们对输入图像进行卷积、激活、池化操作，然后将结果展开为一维向量并输入全连接层。最后，我们在输出层获得模型的输出。

注意，这只是一个简单的 CNN 示例。在实际应用中，您可能需要添加更多卷积层和全连接层来构建更复杂的 CNN。你还可以使用不同的卷积核大小、步长和填充来控制网络的复杂度。

另外，还有许多可以用来提高 CNN 性能的技术，如数据扩增、Dropout 和 Batch Normalization。

最后，在训练 CNN 模型时，您需要使用常用的优化器（如 SGD、Adam 等）和损失函数（如交叉熵损失）。

示例代码如下：

import torch
import torch.nn as nn
import torch.optim as optim

# 定义模型
model = CNN(num_classes=10)

# 定义优化器和损失函数
optimizer = optim.Adam(model.parameters(), lr=0.001)
criterion = nn.CrossEntropyLoss()

# 训练模型
for epoch in range(num_epochs):
    for data in train_loader:
        # 准备数据
        images, labels = data
        images = images.to(device)
        labels = labels.to(device)

        # 清空梯度
        optimizer.zero_grad()

        # 前向传播
        outputs = model(images)
        loss = criterion(outputs, labels)

        # 反向传播
        loss.backward()
        optimizer.step()

# 测试模型
with torch.no_grad():
    correct = 0
    total = 0
    for data in test_loader:
        images, labels = data
        images = images.to(device)
        labels = labels.to(device)
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

    print('Accuracy of the network on the test images: %d %%' % (100 * correct / total))

在上面的代码中，我们使用了 Adam 优化器和交叉熵损失函数来训练 CNN 模型。在每个 epoch 中，我们遍历训练数据集并进行前向传播和反向传播。最后，我们在测试数据集上测试模型并输出结果。

注意，这只是一个简单的 CNN 训练和测试流程的示例。在实际应用中，您可能需要添加更多的功能来满足您的需求，例如模型保存和加载、学习率调整等。