MLP pytorch

PyTorch是一个开源的机器学习框架，支持各种深度学习模型的搭建和训练。MLP（Multi-Layer Perceptron）是一种最基本的前馈神经网络模型，也被称为全连接神经网络。在PyTorch中，可以使用torch.nn模块来构建MLP模型。

下面是一个简单的MLP模型的示例代码：

import torch
import torch.nn as nn

# 定义MLP模型
class MLP(nn.Module):
    def __init__(self, input_size, hidden_size, num_classes):
        super(MLP, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(hidden_size, num_classes)
    
    def forward(self, x):
        out = self.fc1(x)
        out = self.relu(out)
        out = self.fc2(out)
        return out

# 设置输入维度、隐藏层大小和输出类别数
input_size = 784  # MNIST图像大小为28x28=784
hidden_size = 256
num_classes = 10  # MNIST数据集有10个类别（0-9）

# 创建MLP模型实例
model = MLP(input_size, hidden_size, num_classes)

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

# 进行模型训练
for epoch in range(num_epochs):
    # 前向传播
    outputs = model(inputs)
    loss = criterion(outputs, labels)
    
    # 反向传播和优化
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

这段代码展示了如何使用PyTorch构建一个简单的MLP模型，并使用交叉熵损失函数和随机梯度下降（SGD）优化器进行训练。你可以根据自己的需求修改模型的输入维度、隐藏层大小和输出类别数，并选择不同的优化器和损失函数来适应不同的任务。