在PyTorch中，可以使用torch.nn模塊中的Conv2d類來實現卷積神經網絡。以下是一個簡單的示例，展示如何在PyTorch中實現一個簡單的卷積神經網絡：

import torch
import torch.nn as nn

class SimpleCNN(nn.Module):
    def __init__(self):
        super(SimpleCNN, self).__init__()
        self.conv1 = nn.Conv2d(in_channels=1, out_channels=16, kernel_size=3, stride=1, padding=1)
        self.relu = nn.ReLU()
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
        self.conv2 = nn.Conv2d(in_channels=16, out_channels=32, kernel_size=3, stride=1, padding=1)
        self.fc1 = nn.Linear(32 * 7 * 7, 128)
        self.fc2 = nn.Linear(128, 10)

    def forward(self, x):
        x = self.conv1(x)
        x = self.relu(x)
        x = self.pool(x)
        x = self.conv2(x)
        x = self.relu(x)
        x = self.pool(x)
        x = x.view(-1, 32 * 7 * 7)
        x = self.fc1(x)
        x = self.relu(x)
        x = self.fc2(x)
        return x

# 創建一個SimpleCNN實例
model = SimpleCNN()

# 定義損失函數和優化器
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

# 訓練模型
for epoch in range(num_epochs):
    for i, (images, labels) in enumerate(train_loader):
        optimizer.zero_grad()
        outputs = model(images)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

在上面的示例中，我們定義了一個簡單的卷積神經網絡模型SimpleCNN，其中包括兩個卷積層、ReLU激活函數、最大池化層以及兩個全連接層。我們定義了模型的前向傳播過程在forward方法中，并在訓練過程中使用交叉熵損失函數和Adam優化器來訓練模型。

通過這種方式，我們可以使用PyTorch來實現、訓練和調整卷積神經網絡模型。