分类神经网络python代码

下面是一个简单的用于分类任务的神经网络的 Python 代码示例：

import torch
import torch.nn as nn
import torch.optim as optim

# 定义神经网络模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(10, 64)  # 输入层到隐藏层
        self.fc2 = nn.Linear(64, 64)  # 隐藏层到隐藏层
        self.fc3 = nn.Linear(64, 2)   # 隐藏层到输出层

    def forward(self, x):
        x = torch.relu(self.fc1(x))
        x = torch.relu(self.fc2(x))
        x = self.fc3(x)
        return x

# 创建神经网络实例和损失函数
net = Net()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.1)

# 定义训练数据和标签
inputs = torch.randn(100, 10)  # 100个样本，每个样本10个特征
labels = torch.randint(0, 2, (100,))  # 100个样本的标签，0或1

# 训练神经网络
for epoch in range(10):
    optimizer.zero_grad()  # 梯度清零
    outputs = net(inputs)  # 前向传播
    loss = criterion(outputs, labels)  # 计算损失
    loss.backward()  # 反向传播
    optimizer.step()  # 更新参数

# 使用训练好的模型进行预测
test_inputs = torch.randn(10, 10)  # 10个测试样本
predictions = net(test_inputs)  # 进行预测
predicted_labels = torch.argmax(predictions, dim=1)  # 获取预测结果

print(predicted_labels)

这个代码示例定义了一个简单的三层神经网络模型，包括一个输入层、两个隐藏层和一个输出层。使用交叉熵损失函数和随机梯度下降优化器进行训练，然后使用训练好的模型进行预测。注意，这只是一个简单的示例，实际应用中可能需要更复杂的网络结构和数据处理方式。