pytorch mlp实现二分类

PyTorch是一个流行的深度学习框架，可以用于实现各种机器学习模型，包括多层感知机（MLP）。下面是一个简单的PyTorch MLP实现二分类的示例：

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

# 定义MLP模型
class MLP(nn.Module):
    def ____(self, input_size, hidden_size, output_size):
        super(MLP, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size)
        self = nn.ReLU()
        self.fc2 = nn.Linear(hidden_size, output_size)
        self.sigmoid = nn.Sigmoid()

    forward(self, x):
        out = self.fc(x)
        out = self.relu(out)
        out = self.fc2(out)
        out = self.sigmoid(out)
        return out

# 定义训练数据和标签
x_train = torch.tensor([[0, 0], [0, 1], [1, 0], [1, 1]], dtype=torch.float32)
y_train = torch.tensor([[0], [1], [1], [0]], dtype=torch.float32)

# 定义模型参数
input_size = 2
hidden_size = 4
output_size = 1

# 创建模型实例
model = MLP(input_size, hidden_size, output_size)

# 定义损失函数和优化器
criterion = nn.BCELoss()
optimizer = optim.SGD(model.parameters(), lr=0.1)

# 训练模型
num_epochs = 1000
for epoch in range(num_epochs):
    # 前向传播
    outputs = model(x_train)
    loss = criterion(outputs, y_train)

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

    # 每100个epoch打印一次损失值
    if (epoch+1) % 100 == 0:
        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))

# 测试模型
x_test = torch.tensor([[0, 0], [0, 1], [1, 0], [1, 1]], dtype=torch.float32)
with torch.no_grad():
    predictions = model(x_test)
    predicted_labels = (predictions >= 0.5).float()

print('Predictions:')
for i in range(len(x_test)):
    print('Input: {}, Predicted Label: {}'.format(x_test[i].tolist(), predicted_labels[i].item()))

这个示例中，我们定义了一个包含两个隐藏层的MLP模型，输入大小为2，输出大小为1。使用二进制交叉熵损失函数和随机梯度下降优化器进行训练。训练完成后，我们使用训练好的模型进行预测。