多层感知机实现二分类代码

以下是一个简单的多层感知机实现二分类的代码示例，使用 PyTorch 框架：

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

# 定义多层感知机模型
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)
        self.sigmoid = nn.Sigmoid()

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

# 准备训练数据
x_train = torch.tensor([[0.0, 0.0], [0.0, 1.0], [1.0, 0.0], [1.0, 1.0]])
y_train = torch.tensor([[0.0], [1.0], [1.0], [0.0]])

# 定义模型参数
input_size = 2
hidden_size = 4
output_size = 1
lr = 0.1
epochs = 1000

# 初始化模型和优化器
model = MLP(input_size, hidden_size, output_size)
optimizer = optim.SGD(model.parameters(), lr=lr)

# 训练模型
for epoch in range(epochs):
    # 前向传播
    y_pred = model(x_train)

    # 计算损失
    loss_fn = nn.MSELoss()
    loss = loss_fn(y_pred, y_train)

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

    # 每 100 步输出一次损失
    if epoch % 100 == 0:
        print("Epoch {}, Loss {}".format(epoch, loss.item()))

# 测试模型
x_test = torch.tensor([[0.0, 0.0], [0.0, 1.0], [1.0, 0.0], [1.0, 1.0]])
y_test = model(x_test)
print(y_test)

上述代码实现了一个包含一个隐藏层的多层感知机模型，使用均方误差作为损失函数，使用随机梯度下降算法进行优化。训练完毕后，对模型进行测试并输出预测结果。