class MLP(nn.Module): def __init__(self, input_dim, fc_dims, dropout_p=0.4, use_batchnorm=False): super(MLP, self).__init__() if isinstance(fc_dims, Iterable): fc_dims = list(fc_dims) assert isinstance(fc_dims, (list, tuple)), 'fc_dims must be either a list or a tuple, but got {}'.format( type(fc_dims)) layers = [] for dim in fc_dims: layers.append(nn.Linear(input_dim, dim)) if use_batchnorm and dim != 1: layers.append(nn.BatchNorm1d(dim)) if dim != 1: layers.append(nn.ReLU(inplace=True)) if dropout_p is not None and dim != 1: layers.append(nn.Dropout(p=dropout_p)) input_dim = dim self.fc_layers = nn.Sequential(*layers) def forward(self, input): return self.fc_layers(input)

这段代码定义了一个多层感知机（MLP）的神经网络模型。

在 `__init__` 方法中，模型的各个组件和参数被定义：

- `input_dim` 表示输入特征的维度。
- `fc_dims` 是一个列表，表示隐藏层的维度。每个元素是一个整数，表示该隐藏层的维度大小。
- `dropout_p` 是一个浮点数，表示在隐藏层之间进行 dropout 的概率。默认值为 0.4。
- `use_batchnorm` 是一个布尔值，表示是否在隐藏层之间使用批归一化。默认值为 False。

在 `forward` 方法中，定义了模型的前向传播过程：

1. 首先通过循环创建多个线性层，并将它们添加到 `layers` 列表中。每个线性层的输入维度为 `input_dim`，输出维度为当前隐藏层的维度。
2. 如果设置了批归一化（`use_batchnorm=True`）且当前隐藏层的维度不为 1，将批归一化层添加到 `layers` 列表中。
3. 将 ReLU 激活函数添加到 `layers` 列表中，除非当前隐藏层的维度为 1。
4. 如果设置了 dropout（`dropout_p` 不为 None）且当前隐藏层的维度不为 1，将 dropout 层添加到 `layers` 列表中。
5. 将当前隐藏层的维度更新为下一层的维度。
6. 将 `layers` 列表中的层组合成一个序列，存储在 `fc_layers` 中。

在 `forward` 方法的最后，输入通过 `fc_layers` 进行前向传播，得到输出。

这段代码实现了一个多层感知机模型，通过堆叠多个线性层和可选的批归一化、ReLU 激活函数和 dropout 层，对输入进行特征提取和非线性变换。