py torch多层感知机搭建

PyTorch中的多层感知机（Multilayer Perceptron，MLP）通常使用全连接层（Fully Connected Layer）实现。以下是一个简单的MLP模型的搭建过程：

import torch
import torch.nn as nn

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)  # 输入层到隐藏层
        self.relu = nn.ReLU()  # 激活函数
        self.fc2 = nn.Linear(hidden_size, output_size)  # 隐藏层到输出层

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

在这里，我们定义了一个名为MLP的类，继承了nn.Module类，其构造函数__init__中包含了三个成员：fc1、relu、fc2，分别表示全连接层、激活函数和全连接层。我们在forward函数中定义了模型的前向传播过程，即输入数据x经过fc1、relu和fc2三个成员，最终得到输出out。

上述代码中，我们定义了一个输入层的大小input_size、一个隐藏层的大小hidden_size，以及一个输出层的大小output_size。在初始化函数中，我们实例化了两个全连接层，其中第一个层从输入层到隐藏层，第二个层从隐藏层到输出层。在模型的前向传播过程中，我们首先通过第一个全连接层fc1对输入数据进行线性变换，然后将结果输入到激活函数relu中，最后通过第二个全连接层fc2输出最终的结果。

使用该模型时，我们需要指定输入层的大小、隐藏层的大小和输出层的大小，例如：

input_size = 784  # MNIST数据集中每个样本有784个特征
hidden_size = 256  # 隐藏层大小为256
output_size = 10  # 输出层大小为10，对应10个数字分类

model = MLP(input_size, hidden_size, output_size)

这样就可以实例化一个MLP模型了。