pytorch构建三层神经网络拟合正弦函数曲线

在PyTorch中构建三层神经网络以拟合正弦函数通常涉及以下几个步骤：

1. **导入所需库**：

import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader, TensorDataset

2. **定义神经网络模型**：
这是一个简单的三层全连接神经网络（也称为前馈神经网络），包括输入层、隐藏层和输出层。

class SineModel(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(SineModel, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size)  
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(hidden_size, hidden_size)
        self.fc3 = nn.Linear(hidden_size, output_size)

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

这里假设输入大小`input_size`为1（因为正弦函数只有一个输入值），隐藏层大小为`hidden_size`，输出层大小也为1。

3. **数据准备**：
创建一些随机输入x和对应的正弦函数值y作为训练样本，并将其转换为PyTorch张量。

input_size = 1
hidden_size = 24
output_size = 1

# 创建随机输入和期望输出
x_data = torch.linspace(-3 * np.pi, 3 * np.pi, 1000).reshape(-1, 1)
y_data = torch.sin(x_data)

# 数据集和数据加载器
data = TensorDataset(x_data, y_data)
train_loader = DataLoader(data, batch_size=64, shuffle=True)

4. **初始化并配置模型、损失函数和优化器**：

model = SineModel(input_size, hidden_size, output_size)
criterion = nn.MSELoss()  # 使用均方误差作为损失函数
optimizer = optim.Adam(model.parameters(), lr=0.001)

5. **训练模型**：
通过遍历训练数据，更新模型参数以最小化损失。

num_epochs = 1000
for epoch in range(num_epochs):
    for inputs, targets in train_loader:
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, targets)
        loss.backward()
        optimizer.step()

    if (epoch + 1) % 100 == 0:
        print(f"Epoch {epoch+1}/{num_epochs}, Loss: {loss.item():.4f}")