使用pytorch编写具有3个MLP和1个GRU的模型，代码示例

以下是一个使用PyTorch编写具有3个MLP和1个GRU的模型的代码示例：

import torch
import torch.nn as nn

class MLP_GRU_Model(nn.Module):
    def __init__(self, input_dim, hidden_dim, output_dim):
        super(MLP_GRU_Model, self).__init__()
        
        self.mlp1 = nn.Sequential(
            nn.Linear(input_dim, 64),
            nn.ReLU()
        )
        
        self.mlp2 = nn.Sequential(
            nn.Linear(64, 32),
            nn.ReLU()
        )
        
        self.mlp3 = nn.Sequential(
            nn.Linear(32, 16),
            nn.ReLU()
        )
        
        self.gru = nn.GRU(16, hidden_dim, batch_first=True)
        
        self.output_layer = nn.Linear(hidden_dim, output_dim)
    
    def forward(self, x):
        x = self.mlp1(x)
        x = self.mlp2(x)
        x = self.mlp3(x)
        
        _, hidden = self.gru(x.unsqueeze(0))
        hidden = hidden.squeeze(0)
        
        output = self.output_layer(hidden)
        
        return output

# 创建模型实例
input_dim = 10
hidden_dim = 32
output_dim = 2
model = MLP_GRU_Model(input_dim, hidden_dim, output_dim)

# 打印模型结构
print(model)

在上面的代码中，我们定义了一个名为`MLP_GRU_Model`的模型类，继承自`nn.Module`。在构造函数`__init__`中，我们定义了三个MLP模块（`mlp1`，`mlp2`和`mlp3`），每个模块由一个线性层和ReLU激活函数组成。然后我们定义了一个GRU层和一个输出层。

在`forward`方法中，我们首先将输入数据通过三个MLP模块进行前向传播。然后，我们将处理后的数据传递给GRU层进行序列建模，并获取最后一个时间步的隐藏状态。隐藏状态经过线性层处理后，得到最终的输出。

在创建模型实例后，我们可以打印模型结构以进行检查。

请注意，上述代码仅为示例，实际应用中可能需要根据具体任务和数据进行调整和修改。