通过 PyTorch 框架搭建一个BP神经网络，用于对两种类型的船（A船和B船）进行分类

在PyTorch框架下构建一个BP（反向传播）神经网络用于船只分类，通常需要以下几个步骤：

1. **数据准备**：首先，你需要收集和预处理包含船只特征的数据集，比如船的尺寸、形状、材质等，以及对应的标签（A船或B船）。可以将数据分为训练集和测试集。

2. **模型定义**：创建一个简单的前馈神经网络（Feedforward Neural Network），这包括输入层、隐藏层（可能有多个）和输出层。对于二分类任务，可以选择一个单个节点的Sigmoid激活函数作为输出层，它的输出范围在0到1之间，代表预测的概率。

import torch
import torch.nn as nn

class ShipClassifier(nn.Module):
    def __init__(self, input_dim, hidden_dim, output_dim):
        super(ShipClassifier, self).__init__()
        self.fc1 = nn.Linear(input_dim, hidden_dim) # 第一层全连接
        self.relu = nn.ReLU() # 使用ReLU激活函数
        self.dropout = nn.Dropout(p=0.5) # 可选的dropout防止过拟合
        self.fc2 = nn.Linear(hidden_dim, output_dim) # 输出层

    def forward(self, x):
        out = self.fc1(x)
        out = self.relu(out)
        out = self.dropout(out)
        out = self.fc2(out)
        return torch.sigmoid(out)  # 输出概率值

3. **模型训练**：设置损失函数（如Binary Cross Entropy Loss）、优化器（如Adam），然后在训练循环中喂入数据、计算梯度并更新权重。

model = ShipClassifier(input_dim, hidden_dim, 1)  # 具体的input_dim和hidden_dim需要根据实际数据确定
criterion = nn.BCEWithLogitsLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

for epoch in range(num_epochs):
    for inputs, labels in train_loader:
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels.float())
        loss.backward()
        optimizer.step()

4. **模型评估**：在测试集上运行模型，并计算准确率和其他性能指标。