利用Pytorch生成多隐层前馈神经网络

在PyTorch中，创建一个多隐藏层前馈神经网络（Multi-layer Perceptron, MLP）通常涉及以下几个步骤：

1. 导入必要的库：

import torch
import torch.nn as nn

2. 定义网络结构：

class MultiLayerPerceptron(nn.Module):
    def __init__(self, input_dim, hidden_layers, output_dim):
        super(MultiLayerPerceptron, self).__init__()
        self.hidden_layers = nn.ModuleList([
            nn.Linear(input_dim, hidden_layers[0])  # 输入层到第一个隐藏层
        ])
        for i in range(1, len(hidden_layers)):
            self.hidden_layers.append(nn.Linear(hidden_layers[i-1], hidden_layers[i]))  # 隐藏层之间的连接
        self.output_layer = nn.Linear(hidden_layers[-1], output_dim)  # 最后一层，连接到输出节点

    def forward(self, x):
        x = torch.relu(self.hidden_layers[0](x))  # 使用ReLU作为激活函数
        for layer in self.hidden_layers[1:]:
            x = torch.relu(layer(x))
        return self.output_layer(x)

这里`input_dim`是输入特征的数量，`hidden_layers`是一个列表，表示每个隐藏层的神经元数，`output_dim`是输出维度（例如，分类任务中的类别数）。

3. 初始化并训练模型：

model = MultiLayerPerceptron(input_dim=your_input_dim, hidden_layers=[128, 64], output_dim=your_output_dim)
# 加载数据、定义损失函数和优化器，然后开始训练过程