显示多层感知机模型的代码

下面是一个使用PyTorch实现的多层感知机模型的示例代码：

import torch
import torch.nn as nn

class MLP(nn.Module):
    def __init__(self, input_dim, hidden_dim, output_dim):
        super(MLP, self).__init__()
        self.fc1 = nn.Linear(input_dim, hidden_dim)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(hidden_dim, output_dim)

    def forward(self, x):
        out = self.fc1(x)
        out = self.relu(out)
        out = self.fc2(out)
        return out

在这个示例中，`MLP`类继承了`nn.Module`，并定义了`__init__`和`forward`两个函数。`__init__`函数用于初始化模型的各个层，包括一个输入层、一个隐藏层和一个输出层。`forward`函数定义了模型的前向传播过程，其中使用了ReLU作为激活函数。

使用示例：

# 创建一个MLP模型
model = MLP(input_dim=784, hidden_dim=128, output_dim=10)

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

# 训练模型
for epoch in range(num_epochs):
    # 前向传播
    outputs = model(inputs)
    loss = criterion(outputs, labels)

    # 反向传播和优化
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

这里的`inputs`和`labels`是训练数据和标签，`num_epochs`是训练轮数。在训练过程中，模型通过前向传播计算损失函数，然后使用反向传播算法计算梯度并更新模型参数。