写一个用init.xavier_uniform_初始化化的模型

好的，下面是一个使用init.xavier_uniform_初始化的简单模型示例：

import torch
import torch.nn as nn

class MyModel(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(MyModel, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size)
        self.fc2 = nn.Linear(hidden_size, output_size)
        self.relu = nn.ReLU()

        # 使用 init.xavier_uniform_ 初始化模型参数
        nn.init.xavier_uniform_(self.fc1.weight)
        nn.init.xavier_uniform_(self.fc2.weight)

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

这个模型有一个输入层，一个隐藏层和一个输出层。我们使用`nn.Linear`来定义全连接层，使用`nn.ReLU`作为激活函数。

在`__init__`函数中，我们使用`nn.init.xavier_uniform_`来初始化模型参数。这个函数会根据权重矩阵的形状来计算每个元素的方差，并将权重初始化为从均值为0、标准差为sqrt(2 / (fan_in + fan_out))的分布中采样得到的值。其中，`fan_in`是输入层的神经元数量，`fan_out`是输出层的神经元数量。

这个初始化方法可以帮助加速模型的收敛速度，提高模型的性能。