shared MLP代码

当然可以！以下是一个使用共享多层感知器（Shared MLP）的示例代码：

import torch
import torch.nn as nn

class SharedMLP(nn.Module):
    def __init__(self, input_dim, hidden_dim, num_layers):
        super(SharedMLP, self).__init__()
        
        self.layers = nn.ModuleList()
        self.layers.append(nn.Linear(input_dim, hidden_dim))
        for _ in range(num_layers - 1):
            self.layers.append(nn.Linear(hidden_dim, hidden_dim))
        
    def forward(self, x):
        for layer in self.layers:
            x = nn.functional.relu(layer(x))
        
        return x

# 示例用法
input_dim = 10
hidden_dim = 20
num_layers = 3

mlp = SharedMLP(input_dim, hidden_dim, num_layers)
input_data = torch.randn(32, input_dim)  # 假设输入数据为32个样本
output_data = mlp(input_data)
print(output_data.shape)  # 输出形状为(32, hidden_dim)

在这个示例中，`SharedMLP` 类定义了一个共享多层感知器。它接受输入维度 `input_dim`、隐藏层维度 `hidden_dim` 和层数 `num_layers` 作为参数。在初始化时，它创建了一个由线性层组成的模块列表，并在每个线性层之间使用 ReLU 激活函数。

在前向传播过程中，输入数据 `x` 依次通过每个线性层和激活函数进行处理，并返回最终的输出 `x`。

这只是一个简单的示例代码，你可以根据自己的需求进行修改和扩展。希望对你有所帮助！