神经网络模型代码

这是一个简单的神经网络模型的代码示例（使用Python和PyTorch库）：

import torch
import torch.nn as nn

# 定义神经网络模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(784, 256) # 输入层到隐藏层
        self.fc2 = nn.Linear(256, 128) # 隐藏层到隐藏层
        self.fc3 = nn.Linear(128, 10) # 隐藏层到输出层
        self.relu = nn.ReLU() # 激活函数

    def forward(self, x):
        x = self.relu(self.fc1(x)) # 输入层到隐藏层，使用ReLU激活函数
        x = self.relu(self.fc2(x)) # 隐藏层到隐藏层，使用ReLU激活函数
        x = self.fc3(x) # 隐藏层到输出层
        return x

# 实例化模型
model = Net()

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss() # 交叉熵损失函数
optimizer = torch.optim.SGD(model.parameters(), lr=0.01) # 随机梯度下降优化器

# 训练模型
for epoch in range(10): # 迭代10个epoch
    for i, (images, labels) in enumerate(train_loader): # 加载训练数据
        # 前向传播
        images = images.view(-1, 28*28)
        outputs = model(images)
        loss = criterion(outputs, labels)

        # 反向传播和优化
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        # 打印训练过程
        if (i+1) % 100 == 0:
            print ('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}'
                   .format(epoch+1, 10, i+1, len(train_loader), loss.item()))

这段代码实现了一个简单的全连接神经网络，用于手写数字识别。其中包括了神经网络模型的定义、损失函数和优化器的定义，以及训练过程的实现。