Python基于pytorch编写三层全连接神经网络, 三层的维度分别是64,128,64，激活函数sigmoid，学习率 0.001，生成规模10000的数据集，每个样本包含10个特征，实现回归问题

以下是基于PyTorch编写的三层全连接神经网络，用于回归问题的实现：

import torch
import torch.nn as nn
import torch.optim as optim
import numpy as np

# 生成数据集
data = np.random.rand(10000, 10)
target = data.sum(axis=1, keepdims=True)

# 转换为Tensor
data = torch.from_numpy(data).float()
target = torch.from_numpy(target).float()

# 定义神经网络
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(10, 64)
        self.fc2 = nn.Linear(64, 128)
        self.fc3 = nn.Linear(128, 64)
        self.fc4 = nn.Linear(64, 1)
        self.sigmoid = nn.Sigmoid()

    def forward(self, x):
        x = self.sigmoid(self.fc1(x))
        x = self.sigmoid(self.fc2(x))
        x = self.sigmoid(self.fc3(x))
        x = self.fc4(x)
        return x

net = Net()

# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = optim.SGD(net.parameters(), lr=0.001)

# 训练神经网络
for epoch in range(100):
    running_loss = 0.0
    for i in range(data.size(0)):
        optimizer.zero_grad()
        outputs = net(data[i])
        loss = criterion(outputs, target[i])
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
    print('Epoch %d loss: %.3f' % (epoch + 1, running_loss / data.size(0)))

# 测试神经网络
test_data = torch.from_numpy(np.random.rand(10, 10)).float()
test_outputs = net(test_data)
print('Test outputs:', test_outputs)

在上面的代码中，我们首先生成了10000个样本，每个样本包含10个特征，并将它们的和作为目标值。然后我们定义一个三层全连接神经网络，每层分别包含64、128和64个神经元。我们使用sigmoid激活函数，并将输出层的神经元数设置为1，因为这是回归问题。我们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，并将学习率设置为0.001。我们训练神经网络100次，每次训练使用一个样本，并在每个epoch结束时打印训练损失。最后，我们使用神经网络进行了一个简单的测试，生成了10个随机样本，并输出了它们的预测值。