神经网络python代码后向传播

神经网络的反向传播是一种用于训练深度学习模型的重要算法，它基于梯度下降法来更新网络中的权重，以便最小化损失函数。在Python中，我们可以使用如TensorFlow、PyTorch等库来实现后向传播。下面是一个简单的例子，使用PyTorch来展示反向传播的基本步骤：

import torch

# 假设我们有一个简单的线性回归网络
class LinearModel(torch.nn.Module):
    def __init__(self, input_size, output_size):
        super(LinearModel, self).__init__()
        self.linear = torch.nn.Linear(input_size, output_size)

    def forward(self, x):
        y_pred = self.linear(x)
        return y_pred

# 创建模型实例并初始化权重
model = LinearModel(2, 1)
x = torch.randn((10, 2))  # 输入数据
y_true = torch.randn((10, 1))  # 真实标签

# 假设损失函数是均方误差
loss_fn = torch.nn.MSELoss()
y_pred = model(x)
loss = loss_fn(y_pred, y_true)

# 开启自动微分
with torch.no_grad():
    gradients = torch.autograd.grad(loss, model.parameters())

# 反向传播计算每个参数的梯度
for param, grad in zip(model.parameters(), gradients):
    print(f"Parameter: {param}, Gradient: {grad}")

# 使用这些梯度调整参数
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)  # 使用随机梯度下降优化器
optimizer.step()  # 更新权重