基于pytorch的函数神经网络结构代码

以下是一个使用PyTorch实现的简单函数神经网络结构示例：

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

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(1, 10)   # 输入层到隐藏层，1个输入，10个隐藏节点
        self.fc2 = nn.Linear(10, 1)   # 隐藏层到输出层，10个隐藏节点，1个输出

    def forward(self, x):
        x = torch.sigmoid(self.fc1(x))  # 使用sigmoid激活函数
        x = self.fc2(x)
        return x

net = Net()   # 创建神经网络实例
criterion = nn.MSELoss()    # 定义损失函数
optimizer = optim.SGD(net.parameters(), lr=0.01)  # 定义优化器

# 训练模型
for epoch in range(1000):
    optimizer.zero_grad()   # 梯度清零
    output = net(torch.randn(10, 1))   # 随机生成10个输入
    target = torch.randn(10, 1)   # 随机生成10个目标输出
    loss = criterion(output, target)   # 计算损失函数
    loss.backward()   # 反向传播
    optimizer.step()   # 更新参数

# 测试模型
test_input = torch.tensor([[1.0], [2.0], [3.0], [4.0]])
test_output = net(test_input)
print(test_output)

在这个示例中，我们创建了一个具有一个输入层、一个隐藏层和一个输出层的函数神经网络。隐藏层有10个节点，使用sigmoid激活函数，输出层有1个节点。我们使用平均方差损失函数和随机梯度下降优化器进行训练。在训练过程中，我们随机生成了一些输入和目标输出，并将它们传递给神经网络进行训练。最后，我们使用一个包含四个测试输入的张量来测试训练好的模型。