ffnn前馈神经网络pytorch

在PyTorch中实现前馈神经网络（FFNN）可以通过使用PyTorch的`torch.nn`模块来完成。下面是一个简单的示例代码，展示了如何创建和训练一个基本的FFNN：

import torch
import torch.nn as nn
import torch.optim as optim

# 定义一个简单的前馈神经网络类
class FFNN(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(FFNN, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(hidden_size, output_size)

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

# 定义输入、隐藏和输出层的维度
input_size = 10
hidden_size = 20
output_size = 5

# 创建模型实例
model = FFNN(input_size, hidden_size, output_size)

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

# 准备输入数据和标签
input_data = torch.randn(32, input_size)  # 假设批量大小为32
labels = torch.randint(output_size, (32,))  # 假设批量大小为32

# 进行模型训练
num_epochs = 10
for epoch in range(num_epochs):
    # 前向传播
    output = model(input_data)

    # 计算损失
    loss = criterion(output, labels)

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

    # 打印训练过程中的损失
    print(f"Epoch: {epoch+1}, Loss: {loss.item()}")

# 使用训练好的模型进行预测
test_input = torch.randn(1, input_size)  # 假设只有一个输入样本
prediction = model(test_input)

以上代码演示了如何使用PyTorch创建一个简单的前馈神经网络（FFNN），并进行训练和预测。你可以根据实际需求修改模型的结构和参数。