CNN前向函数，自动调整层数

下面是一个使用CNN前向函数并自动调整层数的示例代码：

import torch
import torch.nn as nn

def cnn_forward(x, num_layers):
    layers = []
    in_channels = x.size(1)
    for i in range(num_layers):
        out_channels = 2**(i+1) * 16
        layers.append(nn.Conv2d(in_channels, out_channels, kernel_size=3, stride=1, padding=1))
        layers.append(nn.ReLU(inplace=True))
        in_channels = out_channels
    layers.append(nn.AdaptiveAvgPool2d(1))
    layers.append(nn.Flatten())
    layers.append(nn.Linear(in_channels, 10))
    model = nn.Sequential(*layers)
    output = model(x)
    return output

# 自动调整层数
x = torch.randn(1, 3, 32, 32)  # 输入图片大小为32x32，通道数为3
for num_layers in range(1, 6):  # 可以根据需求设置层数范围
    output = cnn_forward(x, num_layers)
    print(f"Num layers: {num_layers}, Output shape: {output.shape}")

上述代码定义了一个cnn_forward函数，该函数接受输入x和层数num_layers作为参数，并返回CNN模型的输出。在函数内部，根据层数动态构建了一系列卷积层和ReLU激活函数，并在最后添加了自适应平均池化层、展平层和全连接层。

接下来，使用一个随机输入x和范围为1到5的层数进行测试。输出结果将显示不同层数下的输出形状。

请注意，这只是一个简单的示例，具体的层数和网络结构可以根据实际需求进行调整。