使用pytorch构建bp神经网络代码

在PyTorch中，构建BP（Backpropagation）神经网络也非常直观，下面是一个基本的例子，用于全连接网络的二分类任务：

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

# 假设输入数据x和目标标签y已经准备好
x = ... # 输入数据
y = ... # 目标数据 (1-hot编码)

# 定义神经网络模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(x.size()[1], 16)  # 第一层全连接
        self.relu = nn.ReLU()  # 激活函数
        self.fc2 = nn.Linear(16, 8)  # 第二层全连接
        self.out = nn.Linear(8, 2)  # 输出层

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

net = Net()

# 设置损失函数和优化器
criterion = nn.CrossEntropyLoss()  # 对于多分类问题
optimizer = optim.SGD(net.parameters(), lr=0.001)  # 使用随机梯度下降

# 假设训练过程是循环的，每一步都有一个forward pass, backward pass 和 optimize step
for epoch in range(num_epochs):  
    optimizer.zero_grad()  # 清零梯度
    outputs = net(x)  # 前向传播
    loss = criterion(outputs, y)  # 计算损失
    loss.backward()  # 反向传播
    optimizer.step()  # 更新权重

# 测试模型
outputs = net(x_test)
_, predicted = torch.max(outputs.data, 1)
total = y_test.size(0)
correct = (predicted == y_test).sum().item()
accuracy = correct / total