bp神经网络回归三层relu函数实例代码

下面是使用Python和PyTorch库实现BP神经网络回归三层ReLU函数的示例代码：

import torch
import torch.nn as nn
import torch.optim as optim
import numpy as np
from sklearn.datasets import make_regression
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split

# 生成随机数据集
X, y = make_regression(n_samples=100, n_features=2, noise=0.1, random_state=1)

# 数据标准化
scaler = StandardScaler()
X = scaler.fit_transform(X)
y = scaler.fit_transform(y.reshape(-1, 1)).reshape(-1)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=1)

# 定义神经网络模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(2, 10) # 输入层到隐藏层1
        self.relu1 = nn.ReLU() # 隐藏层1的激活函数
        self.fc2 = nn.Linear(10, 5) # 隐藏层1到隐藏层2
        self.relu2 = nn.ReLU() # 隐藏层2的激活函数
        self.fc3 = nn.Linear(5, 1) # 隐藏层2到输出层

    def forward(self, x):
        x = self.fc1(x)
        x = self.relu1(x)
        x = self.fc2(x)
        x = self.relu2(x)
        x = self.fc3(x)
        return x

# 初始化模型和优化器
net = Net()
optimizer = optim.SGD(net.parameters(), lr=0.01)
criterion = nn.MSELoss()

# 训练模型
for epoch in range(1000):
    optimizer.zero_grad() # 清除梯度
    outputs = net(torch.FloatTensor(X_train))
    loss = criterion(outputs.squeeze(), torch.FloatTensor(y_train))
    loss.backward() # 反向传播
    optimizer.step() # 更新权重
    if epoch % 100 == 0:
        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, 1000, loss.item()))

# 测试模型
with torch.no_grad():
    outputs = net(torch.FloatTensor(X_test))
    loss = criterion(outputs.squeeze(), torch.FloatTensor(y_test))
    print('Test Loss: {:.4f}'.format(loss.item()))

# 计算R平方值
y_pred = net(torch.FloatTensor(X_test)).squeeze().detach().numpy()
r2 = 1 - np.sum(np.square(y_test - y_pred)) / np.sum(np.square(y_test - np.mean(y_test)))
print('R2 Score: {:.4f}'.format(r2))

与之前的示例代码相比，这里增加了一个隐藏层，使得神经网络变成了一个具有两个隐藏层的三层神经网络。同时，我们仍然使用ReLU函数作为隐藏层的激活函数，并使用MSE损失函数和梯度下降法来训练模型。在测试模型和评估性能时，我们使用了与之前相同的方法。