pytorch 全连接网络 回归问题

对于回归问题，我们可以使用 PyTorch 中的全连接网络来进行建模。下面是一个简单的全连接网络的示例代码：

import torch
import torch.nn as nn
import torch.optim as optim

# 定义全连接网络
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(2, 16)
        self.fc2 = nn.Linear(16, 1)

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

# 定义数据集
inputs = torch.tensor([[0, 0], [0, 1], [1, 0], [1, 1]], dtype=torch.float32)
labels = torch.tensor([[0], [1], [1], [0]], dtype=torch.float32)

# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = optim.SGD(net.parameters(), lr=0.01)

# 定义训练函数
def train(net, inputs, labels, criterion, optimizer, num_epochs):
    for epoch in range(num_epochs):
        optimizer.zero_grad()
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

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

# 训练模型
net = Net()
num_epochs = 1000
train(net, inputs, labels, criterion, optimizer, num_epochs)

# 预测
with torch.no_grad():
    outputs = net(inputs)
    predicted = (outputs > 0.5).float()
    print('Predicted:', predicted.flatten())

在上面的代码中，我们首先定义了一个包含两个输入特征、一个隐藏层（16个神经元）和一个输出层的全连接网络。然后我们定义了一个包含四个样本和对应标签的数据集。接着我们定义了损失函数和优化器。最后，我们使用训练函数对模型进行训练，并对训练后的模型进行预测。

需要注意的是，对于回归问题，我们使用的是均方误差（MSE）作为损失函数。同时，我们使用了带动量的随机梯度下降（SGD）作为优化器。