用神经网络回归模型并划分训练集和测试集的代码

下面是使用PyTorch实现神经网络回归模型并划分训练集和测试集的代码：

import torch
import torch.nn as nn
import numpy as np
from sklearn.model_selection import train_test_split

# 构造数据集
X = np.random.rand(100, 1)
y = 3 * X + 2 + 0.2 * np.random.rand(100, 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=42)

# 转换为张量
X_train = torch.from_numpy(X_train).float()
y_train = torch.from_numpy(y_train).float()
X_test = torch.from_numpy(X_test).float()
y_test = torch.from_numpy(y_test).float()

# 定义神经网络模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(1, 10)
        self.fc2 = nn.Linear(10, 1)

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

# 实例化神经网络模型
net = Net()

# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = torch.optim.SGD(net.parameters(), lr=0.01)

# 训练神经网络模型
for epoch in range(1000):
    optimizer.zero_grad()
    outputs = net(X_train)
    loss = criterion(outputs, y_train)
    loss.backward()
    optimizer.step()

# 在测试集上评估神经网络模型
with torch.no_grad():
    y_pred = net(X_test)
    test_loss = criterion(y_pred, y_test)
    print('Test loss:', test_loss.item())

以上代码中，首先构造了一个简单的数据集，然后使用`train_test_split`函数将数据集划分为训练集和测试集。接着将数据集转换为PyTorch张量，并定义了一个包含一个隐藏层的神经网络模型。然后定义了损失函数和优化器，使用训练集训练神经网络模型。最后使用测试集评估神经网络模型的性能。