pytorch感知机

以下是使用PyTorch实现感知机的示例代码：

import torch
import torch.nn as nn

# 定义感知机模型
class Perceptron(nn.Module):
    def __init__(self, input_dim):
        super(Perceptron, self).__init__()
        self.fc = nn.Linear(input_dim, 1)

    def forward(self, x):
        x = self.fc(x)
        return torch.sigmoid(x)

# 定义训练数据
X = torch.tensor([[0, 0], [0, 1], [1, 0], [1, 1]], dtype=torch.float32)
y = torch.tensor([[0], [0], [0], [1]], dtype=torch.float32)

# 初始化模型和损失函数
model = Perceptron(input_dim=2)
criterion = nn.BCELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.1)

# 训练模型
for epoch in range(1000):
    optimizer.zero_grad()
    y_pred = model(X)
    loss = criterion(y_pred, y)
    loss.backward()
    optimizer.step()

# 测试模型
with torch.no_grad():
    y_pred = model(X)
    y_pred_cls = y_pred.round().long()
    acc = (y_pred_cls == y.long()).sum().item() / len(y)
    print('Accuracy:', acc)

在这个示例中，我们定义了一个名为`Perceptron`的类，它继承自`nn.Module`，并包含一个线性层和一个sigmoid激活函数。我们使用二元交叉熵损失函数和随机梯度下降优化器来训练模型。最后，我们使用测试数据评估模型的准确性。