用pytorch构建一个简单的BP神经网络模型

好的，下面是一个使用PyTorch构建一个简单的BP神经网络模型的示例代码：

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

# 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 = 10
hidden_size = 5
output_size = 1
lr = 0.01
num_epochs = 100

# 创建神经网络模型
net = Net(input_size, hidden_size, output_size)

# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = optim.SGD(net.parameters(), lr=lr)

# 创建数据集和数据加载器
train_dataset = torch.randn(100, input_size)
train_labels = torch.randn(100, output_size)
train_loader = torch.utils.data.DataLoader(torch.utils.data.TensorDataset(train_dataset, train_labels), batch_size=10, shuffle=True)

# 训练神经网络模型
for epoch in range(num_epochs):
    for data, labels in train_loader:
        optimizer.zero_grad()
        outputs = net(data)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
    print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))

这个示例代码中，我们定义了一个包含一个输入层、一个隐藏层和一个输出层的简单BP神经网络模型。我们使用了均方误差损失函数和随机梯度下降优化器来训练模型。我们使用了PyTorch自带的数据加载器来加载数据集。在训练过程中，我们迭代了100个epoch，并打印了每个epoch的损失值。