利用神经网络反演土壤有机质，使用训练集测试集验证集的方法去优化并验证神经网络，pytorch代码

以下是一个使用训练集、测试集和验证集的方法优化并验证神经网络的PyTorch代码：

import torch
import torch.nn as nn
import numpy as np
from sklearn.model_selection import train_test_split

# 导入数据
data = np.loadtxt('soil_data.txt', delimiter=',')
X = data[:, 0:4]  # 输入数据，包括 pH 值、土壤温度、土壤湿度和电导率
y = data[:, 4]    # 输出数据，土壤有机质含量

# 将数据转换为张量
X = torch.from_numpy(X).float()
y = torch.from_numpy(y).float()

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
X_train, X_val, y_train, y_val = train_test_split(X_train, y_train, test_size=0.2, random_state=42)

# 创建神经网络模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(4, 12)
        self.fc2 = nn.Linear(12, 8)
        self.fc3 = nn.Linear(8, 1)

    def forward(self, x):
        x = torch.relu(self.fc1(x))
        x = torch.relu(self.fc2(x))
        x = self.fc3(x)
        return x

model = Net()

# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

# 训练模型
train_losses = []
val_losses = []
for epoch in range(100):
    # 前向传播
    model.train()
    outputs = model(X_train)
    train_loss = criterion(outputs, y_train)

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

    # 在验证集上计算损失
    model.eval()
    with torch.no_grad():
        val_outputs = model(X_val)
        val_loss = criterion(val_outputs, y_val)

    # 记录训练集和验证集的损失
    train_losses.append(train_loss.item())
    val_losses.append(val_loss.item())

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

# 在测试集上计算损失
model.eval()
with torch.no_grad():
    test_outputs = model(X_test)
    test_loss = criterion(test_outputs, y_test)

# 打印测试集的损失
print('Test Loss: {:.4f}'.format(test_loss.item()))

在这个代码中，我们首先导入土壤样本数据，并使用`train_test_split`函数将其分成了训练集、验证集和测试集。然后，我们使用PyTorch库创建一个包含三个线性层的神经网络模型，并定义损失函数和优化器。接着，我们使用训练集和验证集训练模型，并在每个epoch结束时记录训练集和验证集的损失值，以便后续分析模型的性能。最后，我们使用测试集评估模型的性能，并打印测试集的损失。

需要注意的是，这个示例代码仅供参考，实际应用中需要根据具体的数据集和问题进行修改。同时，在实际应用中还需要对数据进行预处理、选择合适的模型结构、调整超参数等步骤。