pytorch实现多层感知机归简洁版

好的，以下是PyTorch实现多层感知机（MLP）的简洁版代码：

import torch
from torch import nn

# 定义MLP模型
class MLP(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(MLP, 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):
        x = self.fc1(x)
        x = self.relu(x)
        x = self.fc2(x)
        return x

# 实例化模型
input_size = 784  # 输入维度
hidden_size = 256  # 隐藏层维度
output_size = 10  # 输出维度
net = MLP(input_size, hidden_size, output_size)

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

# 训练模型
for epoch in range(100):
    for data in train_loader:
        inputs, labels = data
        inputs = inputs.view(inputs.size(0), -1)
        optimizer.zero_grad()
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

以上代码中，我们首先定义了一个MLP模型，包含两个全连接层和一个ReLU激活函数。然后我们实例化模型，定义损失函数和优化器，并进行训练。在训练过程中，我们使用交叉熵损失函数，并使用随机梯度下降优化器更新模型参数。