用pytorch写特征X1和X2自适应加权特征融合代码，并根据结果选择最优权重

以下是一个使用PyTorch实现特征自适应加权特征融合的示例代码：

import torch

# 定义特征X1和X2
X1 = torch.randn(100, 10)
X2 = torch.randn(100, 20)

# 定义自适应权重网络
class WeightNet(torch.nn.Module):
    def __init__(self):
        super(WeightNet, self).__init__()
        self.fc1 = torch.nn.Linear(30, 20)
        self.fc2 = torch.nn.Linear(20, 10)
        self.fc3 = torch.nn.Linear(10, 1)

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

# 定义特征融合模型
class FusionNet(torch.nn.Module):
    def __init__(self):
        super(FusionNet, self).__init__()
        self.weight_net = WeightNet()

    def forward(self, x1, x2):
        # 将特征X1和X2拼接
        x = torch.cat((x1, x2), dim=1)
        # 计算自适应权重
        weight = self.weight_net(x)
        # 加权融合特征
        x = weight * x1 + (1 - weight) * x2
        return x, weight

# 实例化特征融合模型
model = FusionNet()

# 定义损失函数和优化器
criterion = torch.nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)

# 训练特征融合模型
for epoch in range(100):
    # 清空梯度
    optimizer.zero_grad()
    # 前向传播
    fused_feature, weight = model(X1, X2)
    # 计算损失
    loss = criterion(fused_feature, torch.zeros_like(fused_feature))
    # 反向传播
    loss.backward()
    # 更新权重
    optimizer.step()
    # 打印损失和权重
    print('Epoch [{}/{}], Loss: {:.4f}, Weight: {:.4f}'.format(epoch+1, 100, loss.item(), weight.item()))

# 使用训练好的模型进行特征融合
fused_feature, weight = model(X1, X2)
print('Final Weight: {:.4f}'.format(weight.item()))

在此示例中，我们定义了一个自适应权重网络和一个特征融合模型。自适应权重网络是一个包含3个全连接层的神经网络，输入是特征X1和X2的拼接，输出是一个权重值，表示对应的特征在融合中的权重。特征融合模型将特征X1和X2拼接后输入自适应权重网络，得到权重后对特征进行加权融合，输出融合后的特征和权重。

在训练过程中，我们使用均方误差作为损失函数，使用Adam优化器更新权重。在每个epoch结束时，打印当前的损失和权重。最终，我们使用训练好的模型对特征进行融合，并打印最终权重。

根据最终权重，我们可以选择如何融合特征。例如，如果最终权重接近0，我们可以选择仅使用特征X2；如果最终权重接近1，我们可以选择仅使用特征X1；如果最终权重接近0.5，我们可以选择对特征进行平均融合。