pytorch mlp预测模型

可以使用PyTorch构建一个多层感知机（Multilayer Perceptron，MLP）预测模型。以下是一个简单的示例：

import torch
import torch.nn as nn

# 定义 MLP 模型
class MLP(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(MLP, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(hidden_size, output_size)
    
    def forward(self, x):
        out = self.fc1(x)
        out = self.relu(out)
        out = self.fc2(out)
        return out

# 设置输入大小、隐藏层大小和输出大小
input_size = 10
hidden_size = 20
output_size = 1

# 创建 MLP 模型实例
model = MLP(input_size, hidden_size, output_size)

# 定义损失函数
criterion = nn.MSELoss()

# 定义优化器
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

# 准备输入数据和标签数据
inputs = torch.randn(100, input_size)
labels = torch.randn(100, output_size)

# 训练模型
num_epochs = 1000
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()
    
    # 每隔一段时间打印损失值
    if (epoch+1) % 100 == 0:
        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))

# 使用模型进行预测
test_inputs = torch.randn(10, input_size)
with torch.no_grad():
    predicted = model(test_inputs)
    print('Predicted outputs:', predicted)

这个示例中，我们定义了一个具有两个隐藏层的MLP模型，使用ReLU激活函数，并使用均方误差损失函数和随机梯度下降（SGD）优化器进行训练。最后，我们使用训练好的模型对一组测试输入数据进行预测。