用pytorch实现fnn

使用PyTorch实现前馈神经网络（FNN）非常简单。首先，我们需要导入PyTorch库并加载所需的数据集。

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

接下来，定义一个继承自PyTorch的Dataset类的自定义数据集类。在该类中，需要定义__init__函数、__len__函数和__getitem__函数。__init__函数用于初始化数据集，__len__函数返回数据集的长度，__getitem__函数获取指定索引的数据和标签。

class CustomDataset(Dataset):
def __init__(self, data, labels):
self.data = data
self.labels = labels

def __len__(self):
return len(self.data)

def __getitem__(self, index):
x = self.data[index]
y = self.labels[index]
return x, y

然后，定义前馈神经网络模型。在该模型中，我们可以使用nn.Sequential类，只需按顺序添加所需的层即可。

class FNN(nn.Module):
def __init__(self, input_dim, hidden_dim, output_dim):
super(FNN, self).__init__()
self.fc1 = nn.Linear(input_dim, hidden_dim)
self.relu = nn.ReLU()
self.fc2 = nn.Linear(hidden_dim, output_dim)

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

定义好模型后，可以实例化模型并定义损失函数和优化器。

input_dim = 10
hidden_dim = 20
output_dim = 2

model = FNN(input_dim, hidden_dim, output_dim)
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

接下来，将数据集加载到DataLoader中，并设置一些训练参数。

data = ...
labels = ...

dataset = CustomDataset(data, labels)
dataloader = DataLoader(dataset, batch_size=32, shuffle=True)
num_epochs = 100

最后，开始训练模型。

for epoch in range(num_epochs):
for i, (inputs, labels) in enumerate(dataloader):
optimizer.zero_grad()
outputs = model(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()

if (epoch+1) % 10 == 0:
print(f"Epoch {epoch+1}/{num_epochs}, Loss: {loss.item():.4f}")

通过上述步骤，我们实现了一个简单的使用PyTorch的前馈神经网络模型。可以根据需要调整模型的层数和各层的维度，以及训练参数来优化模型性能。