class MLP(nn.Module): def __init__(self, input_dim, fc_dims, dropout_p=0.4, use_batchnorm=False): super(MLP, self).__init__() if isinstance(fc_dims, Iterable): fc_dims = list(fc_dims) assert isinstance(fc_dims, (list, tuple)), 'fc_dims must be either a list or a tuple, but got {}'.format( type(fc_dims)) layers = [] for dim in fc_dims: layers.append(nn.Linear(input_dim, dim)) if use_batchnorm and dim != 1: layers.append(nn.BatchNorm1d(dim)) if dim != 1: layers.append(nn.ReLU(inplace=True)) if dropout_p is not None and dim != 1: layers.append(nn.Dropout(p=dropout_p)) input_dim = dim self.fc_layers = nn.Sequential(*layers) def forward(self, input): return self.fc_layers(input)

这是一个多层感知机（MLP）的定义，它是一个继承自`nn.Module`的类。MLP是一种前馈神经网络，由多个全连接层组成。

在构造函数`__init__`中，我们接受输入维度`input_dim`、隐藏层维度列表`fc_dims`、dropout概率`dropout_p`和是否使用批归一化`use_batchnorm`作为参数。

我们首先判断`fc_dims`是否是可迭代的对象，如果是，则将其转换为列表。然后，我们定义一个空的列表`layers`来存储网络的层。

接下来，我们遍历隐藏层维度列表`fc_dims`，对于每个维度，我们创建一个全连接层，并将其添加到`layers`列表中。如果使用批归一化且维度不为1，则添加一个批归一化层。然后，我们添加一个ReLU激活函数层（除非维度为1）。如果指定了dropout概率且维度不为1，则添加一个dropout层。最后，将当前维度更新为下一个维度。

最后，我们使用`nn.Sequential`将所有层组合成一个顺序模型，并将其赋值给类的属性`self.fc_layers`。

在前向传播函数`forward`中，我们将输入通过所有的全连接层，然后返回输出。