Python torch 单输入 单输出 BP神经网络

下面是一个使用 PyTorch 实现单输入单输出 BP 神经网络的示例：

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

# 定义单输入单输出的神经网络
class Net(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(Net, 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

# 定义网络参数
input_size = 10
hidden_size = 20
output_size = 1

# 实例化网络
net = Net(input_size, hidden_size, output_size)

# 定义输入数据和输出数据
input_data = torch.randn(1, input_size)
output_data = torch.randn(1, output_size)

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

# 训练网络
for epoch in range(100):
    # 前向传播
    output = net(input_data)

    # 计算损失
    loss = criterion(output, output_data)

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

    # 打印损失
    print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, 100, loss.item()))

# 测试网络
test_input = torch.randn(1, input_size)
test_output = net(test_input)
print('Test Input: {}\nTest Output: {}'.format(test_input, test_output))

在这个示例中，我们使用了 PyTorch 自带的优化器 SGD 和损失函数 `nn.MSELoss`。在训练过程中，我们通过反向传播更新网络的权重和偏置，直到网络的损失函数收敛到一个较小的值。在训练完成后，我们使用测试数据测试网络的性能。