pytorch神经网络模型

PyTorch是一个用于构建深度学习模型的开源机器学习框架。它提供了丰富的工具和库，可以方便地创建、训练和部署神经网络模型。

在PyTorch中，可以通过定义一个继承自torch.nn.Module的类来构建神经网络模型。这个类通常包含一个或多个层（layers），每个层执行特定的操作，并且可以包含可学习的参数。

下面是一个简单的例子，展示了如何使用PyTorch构建一个全连接神经网络模型：

import torch
import torch.nn as nn

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):
        out = self.fc1(x)
        out = self.relu(out)
        out = self.fc2(out)
        return out

# 创建模型实例
input_size = 784
hidden_size = 256
output_size = 10
model = NeuralNetwork(input_size, hidden_size, output_size)

在这个例子中，我们定义了一个有两个隐藏层的全连接神经网络模型。模型的输入大小为784（MNIST数据集中的图像大小），隐藏层大小为256，输出层大小为10（表示10个类别）。模型的forward方法定义了数据在模型中的流动路径。