pytorch BP神经网络

在PyTorch中实现BP神经网络有多种方法，其中一种常用的方法是使用`torch.nn.Sequential()`方法。下面是一个简单的示例代码：

import torch
import torch.nn as nn

# 定义神经网络模型
model = nn.Sequential(
    nn.Linear(input_size, hidden_size),  # 输入层到隐藏层的线性变换
    nn.ReLU(),  # 隐藏层的激活函数
    nn.Linear(hidden_size, output_size),  # 隐藏层到输出层的线性变换
    nn.Sigmoid()  # 输出层的激活函数
)

# 定义损失函数
criterion = nn.MSELoss()

# 定义优化器
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)

# 训练模型
for epoch in range(num_epochs):
    # 前向传播
    outputs = model(inputs)
    loss = criterion(outputs, targets)
    
    # 反向传播和优化
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

在上面的代码中，我们首先定义了一个`nn.Sequential()`对象，它按照顺序组合了线性层和激活函数层。然后，我们定义了损失函数和优化器。在训练过程中，我们通过前向传播计算输出，然后计算损失，并通过反向传播和优化器更新模型参数。