pytorch的ANN

以下是使用PyTorch实现的ANN（人工神经网络）的示例代码：

import torch
import torch.nn as nn

# 定义ANN模型
class ANN(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(ANN, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size)  # 输入层到隐藏层的全连接层
        self.relu = nn.ReLU()  # 激活函数
        self.fc2 = nn.Linear(hidden_size, output_size)  # 隐藏层到输出层的全连接层

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

# 创建ANN模型实例
input_size = 10  # 输入特征的维度
hidden_size = 20  # 隐藏层的大小
output_size = 2  # 输出类别的数量
model = ANN(input_size, hidden_size, output_size)

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()  # 交叉熵损失函数
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)  # 随机梯度下降优化器

# 训练ANN模型
num_epochs = 10  # 训练轮数
for epoch in range(num_epochs):
    # 前向传播
    outputs = model(inputs)
    loss = criterion(outputs, labels)

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

    # 打印训练信息
    if (epoch+1) % 1 == 0:
        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))

# 使用ANN模型进行预测
with torch.no_grad():
    outputs = model(inputs)
    _, predicted = torch.max(outputs.data, 1)

# 输出预测结果
print('Predicted classes:', predicted)

这段代码展示了如何使用PyTorch库来实现一个简单的ANN模型。首先，我们定义了一个继承自nn.Module的ANN类，其中包含了输入层、隐藏层和输出层。然后，我们定义了损失函数和优化器，并进行了模型的训练。最后，我们使用训练好的模型进行预测，并输出预测结果。