MLP的Pytorch代码

以下是一个简单的 MLP 模型的 PyTorch 代码示例：

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

# 定义 MLP 模型
class MLP(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(MLP, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(hidden_size, output_size)
    
    def forward(self, x):
        out = self.fc1(x)
        out = self.relu(out)
        out = self.fc2(out)
        return out

# 定义超参数
input_size = 784   # 输入层大小，28*28的图片像素数
hidden_size = 128  # 隐藏层大小
output_size = 10   # 输出层大小，10个数字类别

learning_rate = 0.001
num_epochs = 10
batch_size = 32

# 加载 MNIST 数据集
train_dataset = torchvision.datasets.MNIST(root='./data', train=True, transform=transforms.ToTensor(), download=True)
test_dataset = torchvision.datasets.MNIST(root='./data', train=False, transform=transforms.ToTensor())

train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=batch_size, shuffle=True)
test_loader = torch.utils.data.DataLoader(dataset=test_dataset, batch_size=batch_size, shuffle=False)

# 初始化模型和优化器
model = MLP(input_size, hidden_size, output_size)
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=learning_rate)

# 训练模型
total_step = len(train_loader)
for epoch in range(num_epochs):
    for i, (images, labels) in enumerate(train_loader):
        # 将图像数据展开成向量
        images = images.reshape(-1, input_size)
        
        # 前向传播和计算损失
        outputs = model(images)
        loss = criterion(outputs, labels)
        
        # 反向传播和优化
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        
        # 每 100 个批次输出一次训练信息
        if (i+1) % 100 == 0:
            print('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, i+1, total_step, loss.item()))

# 测试模型
with torch.no_grad():
    correct = 0
    total = 0
    for images, labels in test_loader:
        images = images.reshape(-1, input_size)
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

    print('Accuracy of the model on the 10000 test images: {} %'.format(100 * correct / total))

这个代码示例是一个基本的 MLP 模型，用于对 MNIST 数据集进行分类。在代码中，我们首先定义了 MLP 模型，然后加载了 MNIST 数据集，并使用 PyTorch 的 DataLoader 将数据集分成小批次进行训练。接下来，我们初始化了模型和优化器，然后进行了多个训练周期，每个周期都对数据集进行了多次迭代。在每个迭代中，我们将图像数据展开成向量，并使用模型进行前向传播和计算损失。然后我们进行反向传播和优化，更新模型参数。最后，我们使用模型对测试数据进行预测，并计算模型的准确率。