使用pytorch写一个bp神经网络模型

好的，以下是一个使用 PyTorch 实现的简单的 BP 神经网络模型：

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, input_size, hidden_size, output_size):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size)
        self.fc2 = nn.Linear(hidden_size, output_size)
        self.relu = nn.ReLU()

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

# 定义训练函数
def train(net, X, Y, learning_rate, epochs):
    criterion = nn.MSELoss()
    optimizer = optim.SGD(net.parameters(), lr=learning_rate)
    for epoch in range(epochs):
        optimizer.zero_grad()
        out = net(X)
        loss = criterion(out, Y)
        loss.backward()
        optimizer.step()
        if epoch % 10 == 0:
            print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, epochs, loss.item()))

# 生成数据集
X = torch.tensor([[0,0], [0,1], [1,0], [1,1]], dtype=torch.float32)
Y = torch.tensor([[0], [1], [1], [0]], dtype=torch.float32)

# 定义模型参数
input_size = 2
hidden_size = 2
output_size = 1
learning_rate = 0.1
epochs = 1000

# 初始化模型
net = Net(input_size, hidden_size, output_size)

# 训练模型
train(net, X, Y, learning_rate, epochs)

# 测试模型
with torch.no_grad():
    output = net(X)
    print(output)

在上面的代码中，我们定义了一个两层的神经网络模型 `Net`，使用了 `nn.Linear` 和 `nn.ReLU` 两个层。我们使用了均方误差作为损失函数，使用随机梯度下降作为优化器进行训练。我们使用 XOR 问题作为训练数据集。最后，我们使用 `torch.no_grad()` 避免梯度计算，测试模型的输出。