PyTorch中的卷积神经网络（CNN）权重初始化是一个重要的步骤，它可以帮助网络更快地收敛并提高模型的性能。以下是一些常用的权重初始化方法：

Xavier初始化：适用于激活函数为ReLU或LeakyReLU的网络。Xavier初始化通过计算输入和输出通道数的乘积来确定权重的标准差，从而使权重在正态分布下均匀分布。

import torch.nn as nn
import torch.nn.init as init
def xavier_init(module, gain=1):
    if isinstance(module, nn.Conv2d) or isinstance(module, nn.Linear):
        init.xavier_uniform_(module.weight, gain=gain)
        if module.bias is not None:
            init.constant_(module.bias, 0)

He初始化：适用于激活函数为ReLU及其变体的网络。He初始化根据输入通道数来确定权重的标准差，使权重在正态分布下均匀分布。

def he_init(module, scale=1):
    if isinstance(module, nn.Conv2d) or isinstance(module, nn.Linear):
        init.kaiming_uniform_(module.weight, nonlinearity='relu', scale=scale)
        if module.bias is not None:
            init.constant_(module.bias, 0)

随机初始化：简单地将权重初始化为随机值。这种方法可能导致网络收敛速度较慢，但有时也能获得不错的性能。

def random_init(module):
    if isinstance(module, nn.Conv2d) or isinstance(module, nn.Linear):
        init.normal_(module.weight, mean=0, std=0.05)
        if module.bias is not None:
            init.constant_(module.bias, 0)

在定义CNN模型时，可以使用这些初始化方法为权重进行初始化。例如：

class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Conv2d(in_channels=3, out_channels=32, kernel_size=3, padding=1)
        self.conv2 = nn.Conv2d(in_channels=32, out_channels=64, kernel_size=3, padding=1)
        self.fc1 = nn.Linear(in_features=64 * 25 * 25, out_features=128)
        self.fc2 = nn.Linear(in_features=128, out_features=10)
        
        xavier_init(self.conv1)
        xavier_init(self.conv2)
        he_init(self.fc1)
        he_init(self.fc2)
    def forward(self, x):
        x = F.relu(self.conv1(x))
        x = F.max_pool2d(x, 2)
        x = F.relu(self.conv2(x))
        x = F.max_pool2d(x, 2)
        x = x.view(-1, 64 * 25 * 25)
        x = F.relu(self.fc1(x))
        x = self.fc2(x)
        return F.log_softmax(x, dim=1)

注意：在实际应用中，可以根据网络结构和任务需求选择合适的权重初始化方法。