多层感知器实现异或的pytorch代码

以下是多层感知器实现异或的PyTorch代码：

import torch
import torch.nn as nn

# 定义多层感知器模型
class MLP(nn.Module):
    def __init__(self):
        super(MLP, self).__init__()
        self.layer1 = nn.Linear(2, 4) # 输入层到隐藏层
        self.layer2 = nn.Linear(4, 1) # 隐藏层到输出层
        self.activation = nn.Sigmoid() # 激活函数为Sigmoid

    def forward(self, x):
        x = self.layer1(x)
        x = self.activation(x)
        x = self.layer2(x)
        x = self.activation(x)
        return x

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

# 初始化模型和优化器
model = MLP()
optimizer = torch.optim.SGD(model.parameters(), lr=0.1)

# 开始训练
epochs = 10000
for epoch in range(epochs):
    # 前向传播
    y_pred = model(x_train)

    # 计算损失
    loss = nn.functional.binary_cross_entropy(y_pred, y_train)

    # 反向传播
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    # 输出训练过程
    if (epoch+1) % 1000 == 0:
        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, epochs, loss.item()))

# 测试模型
with torch.no_grad():
    y_pred = model(x_train)
    y_pred = (y_pred > 0.5).float()
    print('Predicted Values:', y_pred)

在这个例子中，我们定义了一个包含一个输入层、一个隐藏层和一个输出层的多层感知器。输入是一个2维的张量，输出是一个标量。我们使用Sigmoid作为激活函数，并使用二元交叉熵作为损失函数。我们使用随机梯度下降作为优化器，训练10000个epoch，每1000个epoch输出一次损失值。最后我们对模型进行测试，输出预测的结果。