pytorch环境bp神经网络序列回归代码，并画出回归图

以下是基于PyTorch的BP神经网络序列回归代码示例：

import torch
import torch.nn as nn
import matplotlib.pyplot as plt

# 定义神经网络模型
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

# 定义超参数
input_size = 1
hidden_size = 10
output_size = 1
num_epochs = 1000
learning_rate = 0.01

# 创建模型和损失函数
net = Net(input_size, hidden_size, output_size)
criterion = nn.MSELoss()
optimizer = torch.optim.SGD(net.parameters(), lr=learning_rate)

# 生成数据集
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)
y = x.pow(2) + 0.2 * torch.rand(x.size())

# 训练模型
for epoch in range(num_epochs):
    inputs = x
    targets = y

    # 前向传播
    outputs = net(inputs)
    loss = criterion(outputs, targets)

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

    if (epoch + 1) % 100 == 0:
        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))

# 绘制回归图
plt.plot(x, y, 'ro', label='Original data')
plt.plot(x, net(x).detach().numpy(), label='Fitted line')
plt.legend()
plt.show()

该代码通过定义一个包含一个隐藏层的神经网络模型来进行序列回归，使用均方误差作为损失函数，使用随机梯度下降作为优化器，并在训练过程中进行反向传播和优化。最后，使用Matplotlib绘制原始数据和拟合线。