pytorch MLP代码

以下是使用PyTorch实现多层感知机（MLP）的代码示例：

import torch
import torch.nn as nn

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):
        x = self.relu(self.fc1(x))
        x = self.relu(self.fc2(x))
        x = self.fc3(x)
        return x

# 定义输入层、隐含层和输出层的维度
input_size = 784
hidden_size = 100
output_size = 10

# 创建MLP模型
model = MLP(input_size, hidden_size, output_size)

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

# 训练模型
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()

    # 打印损失值
    if (epoch+1) % 10 == 0:
        print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}')

# 在测试集上评估模型
with torch.no_grad():
    correct = 0
    total = 0
    for images, labels in test_loader:
        images = images.reshape(-1, 28*28)
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

    accuracy = 100 * correct / total
    print(f'Accuracy on the test set: {accuracy:.2f}%')

在这个代码示例中，我们首先定义了一个MLP类，该类继承自`nn.Module`，并定义了模型的结构。`nn.Linear`表示全连接层，`nn.ReLU`表示激活函数。在`forward`方法中，我们定义了模型的前向传播过程。

然后，我们定义了输入层、隐含层和输出层的维度，并创建了MLP模型。接下来，我们定义了损失函数和优化器。

在训练过程中，我们使用前向传播计算预测值，并计算损失值。然后，通过反向传播和优化器更新模型的参数。我们还在每个epoch打印损失值。

在测试阶段，我们使用经过训练的模型对测试集进行预测，并计算准确率。

请注意，上述代码只是一个示例，具体的数据准备和训练过程可能有所不同，具体情况需要根据实际需求进行调整。<span class="em">1</span><span class="em">2</span><span class="em">3</span><span class="em">4</span>