pytorch bp神经网络代码

当然，我可以为您提供一个简单的 PyTorch 的反向传播（backpropagation）神经网络的代码示例。以下是一个使用 PyTorch 构建一个简单的全连接神经网络的例子：

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

# 创建自定义神经网络类
class NeuralNetwork(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(NeuralNetwork, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(hidden_size, output_size)

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

# 设置超参数
input_size = 10
hidden_size = 20
output_size = 5
learning_rate = 0.01
num_epochs = 1000

# 创建神经网络实例
model = NeuralNetwork(input_size, hidden_size, output_size)

# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=learning_rate)

# 训练网络
for epoch in range(num_epochs):
    # 前向传播
    outputs = model(inputs)
    loss = criterion(outputs, labels)

    # 反向传播与优化
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    # 每训练100次打印一次损失值
    if (epoch+1) % 100 == 0:
        print(f'Epoch: {epoch+1}/{num_epochs}, Loss: {loss.item()}')

# 使用训练好的模型进行预测
predicted = model(inputs)

请注意，这只是一个简单的示例，实际应用中可能需要根据具体问题进行适当修改。您可以根据自己的需求调整神经网络的层数、隐藏层节点数、学习率以及训练次数等超参数。希望对您有所帮助！