pytorch多层感知机代码

好的，以下是一个使用 PyTorch 实现的简单多层感知机的代码：

import torch
import torch.nn as nn

# 定义多层感知机模型
class MLP(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(MLP, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size)
        self.fc2 = nn.Linear(hidden_size, hidden_size)
        self.fc3 = nn.Linear(hidden_size, output_size)
        self.relu = nn.ReLU()

    def forward(self, x):
        out = self.fc1(x)
        out = self.relu(out)
        out = self.fc2(out)
        out = self.relu(out)
        out = self.fc3(out)
        return out

# 定义输入、隐藏层和输出的大小
input_size = 100
hidden_size = 50
output_size = 10

# 初始化多层感知机
model = MLP(input_size=input_size, hidden_size=hidden_size, output_size=output_size)

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

# 训练模型
for epoch in range(1000):
    # 前向传播计算损失
    outputs = model(inputs)
    loss = criterion(outputs, labels)

    # 反向传播更新参数
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    # 打印训练结果
    if epoch % 100 == 0:
        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, 1000, loss.item()))

这是一个简单的三层感知机，其中包括两个隐藏层。我们定义了输入层大小为 100，隐藏层大小为 50，输出层为 10。训练时，我们使用交叉熵损失函数和 Adam 优化器。