bp神经网络多元回归预测单层隐藏层relu函数代码

以下是使用PyTorch实现单层隐藏层、ReLU激活函数的BP神经网络多元回归预测的代码示例：

import torch
import torch.nn as nn
import torch.optim as optim
import numpy as np

# 定义BP神经网络模型
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

# 定义输入、隐藏和输出层的维度
input_size = 10
hidden_size = 5
output_size = 1

# 构造训练数据
x_train = np.random.rand(100, input_size).astype(np.float32)
y_train = np.random.rand(100, output_size).astype(np.float32)

# 将训练数据转换为PyTorch的张量形式
x_train = torch.from_numpy(x_train)
y_train = torch.from_numpy(y_train)

# 实例化BP神经网络模型
net = Net(input_size, hidden_size, output_size)

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

# 迭代训练模型
num_epochs = 1000
for epoch in range(num_epochs):
    # 前向传播
    outputs = net(x_train)
    loss = criterion(outputs, y_train)

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

    # 每隔100轮输出一次损失值
    if (epoch+1) % 100 == 0:
        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))

# 利用训练好的模型进行预测
x_test = np.random.rand(10, input_size).astype(np.float32)
x_test = torch.from_numpy(x_test)
pred = net(x_test)
print(pred.detach().numpy())

其中，`Net`类定义了一个单层隐藏层、ReLU激活函数的BP神经网络模型，`criterion`定义了损失函数，`optimizer`定义了优化器，`num_epochs`表示训练轮数。在迭代训练过程中，先进行前向传播计算输出和损失，再进行反向传播和优化更新参数。最后，利用训练好的模型进行预测。