提供多个基于pytorch的函数神经网络结构代码

以下是几个使用PyTorch实现的不同类型的函数神经网络结构示例：

## 多层感知机（Multilayer Perceptron，MLP）

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

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(784, 256)   # 输入层到隐藏层1，784个输入，256个隐藏节点
        self.fc2 = nn.Linear(256, 128)   # 隐藏层1到隐藏层2，256个隐藏节点，128个隐藏节点
        self.fc3 = nn.Linear(128, 10)   # 隐藏层2到输出层，128个隐藏节点，10个输出

    def forward(self, x):
        x = torch.relu(self.fc1(x))  # 使用ReLU激活函数
        x = torch.relu(self.fc2(x))
        x = self.fc3(x)
        return x

net = Net()   # 创建神经网络实例
criterion = nn.CrossEntropyLoss()    # 定义损失函数
optimizer = optim.SGD(net.parameters(), lr=0.01)  # 定义优化器

在这个示例中，我们创建了一个具有两个隐藏层的多层感知机（MLP），使用ReLU激活函数。输入层有784个节点，隐藏层1有256个节点，隐藏层2有128个节点，输出层有10个节点。我们使用交叉熵损失函数和随机梯度下降优化器进行训练。

## 卷积神经网络（Convolutional Neural Network，CNN）

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

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 16, 3)   # 输入层到卷积层1，3个输入通道，16个卷积核
        self.conv2 = nn.Conv2d(16, 32, 3)   # 卷积层1到卷积层2，16个输入通道，32个卷积核
        self.pool = nn.MaxPool2d(2, 2)   # 池化层，2x2大小的窗口，步长为2
        self.fc = nn.Linear(32 * 6 * 6, 10)   # 全连接层，32个6x6特征图，10个输出

    def forward(self, x):
        x = self.pool(torch.relu(self.conv1(x)))  # 使用ReLU激活函数和最大池化
        x = self.pool(torch.relu(self.conv2(x)))
        x = x.view(-1, 32 * 6 * 6)   # 将特征图展平成向量
        x = self.fc(x)
        return x

net = Net()   # 创建神经网络实例
criterion = nn.CrossEntropyLoss()    # 定义损失函数
optimizer = optim.SGD(net.parameters(), lr=0.01)  # 定义优化器

在这个示例中，我们创建了一个具有两个卷积层和一个全连接层的卷积神经网络（CNN），使用ReLU激活函数和最大池化。输入层有3个输入通道，第一个卷积层有16个卷积核，第二个卷积层有32个卷积核，池化层使用2x2大小的窗口和步长为2。最后的全连接层有10个输出节点。我们使用交叉熵损失函数和随机梯度下降优化器进行训练。

## 循环神经网络（Recurrent Neural Network，RNN）

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

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.rnn = nn.RNN(10, 20, 2)   # RNN层，10个输入，20个隐藏节点，2个循环层
        self.fc = nn.Linear(20, 1)   # 全连接层，20个隐藏节点，1个输出

    def forward(self, x):
        x, h = self.rnn(x)  # x是所有时刻的输出，h是最后一个时刻的隐藏状态
        x = self.fc(h[-1])   # 取最后一个时刻的隐藏状态并使用全连接层
        return x

net = Net()   # 创建神经网络实例
criterion = nn.MSELoss()    # 定义损失函数
optimizer = optim.SGD(net.parameters(), lr=0.01)  # 定义优化器

在这个示例中，我们创建了一个具有一个循环层和一个全连接层的循环神经网络（RNN）。输入层有10个节点，循环层有20个隐藏节点，2个循环层。我们在最后一个时刻的隐藏状态上使用一个全连接层来产生输出。我们使用均方误差损失函数和随机梯度下降优化器进行训练。