pytorch搭建bp神经网络

以下是使用PyTorch搭建BP神经网络的代码示例：

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):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(784, 256)
        self.fc2 = nn.Linear(256, 64)
        self.fc3 = nn.Linear(64, 10)
        self.relu = nn.ReLU()
        self.softmax = nn.Softmax(dim=1)

    def forward(self, x):
        x = self.relu(self.fc1(x))
        x = self.relu(self.fc2(x))
        x = self.softmax(self.fc3(x))
        return x

# 定义训练函数
def train(model, train_loader, optimizer, criterion):
    model.train()
    for i, (inputs, targets) in enumerate(train_loader):
        optimizer.zero_grad()
        outputs = model(inputs.view(-1, 784))
        loss = criterion(outputs, targets)
        loss.backward()
        optimizer.step()

# 定义测试函数
def test(model, test_loader):
    model.eval()
    correct = 0
    total = 0
    with torch.no_grad():
        for inputs, targets in test_loader:
            outputs = model(inputs.view(-1, 784))
            _, predicted = torch.max(outputs.data, 1)
            total += targets.size(0)
            correct += (predicted == targets).sum().item()
    accuracy = correct / total
    return accuracy

# 加载数据集
train_loader = torch.utils.data.DataLoader(
    torchvision.datasets.MNIST('./data', train=True, download=True,
        transform=torchvision.transforms.Compose([
            torchvision.transforms.ToTensor(),
            torchvision.transforms.Normalize((0.1307,), (0.3081,))
        ])),
    batch_size=64, shuffle=True)
test_loader = torch.utils.data.DataLoader(
    torchvision.datasets.MNIST('./data', train=False, download=True,
        transform=torchvision.transforms.Compose([
            torchvision.transforms.ToTensor(),
            torchvision.transforms.Normalize((0.1307,), (0.3081,))
        ])),
    batch_size=64, shuffle=True)

# 初始化模型、损失函数、优化器
model = Net()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.1)

# 训练模型
for epoch in range(10):
    train(model, train_loader, optimizer, criterion)
    accuracy = test(model, test_loader)
    print(f'Epoch {epoch+1}, Test Accuracy: {accuracy:.4f}')

在上面的代码中，我们首先定义了一个`Net`类来搭建神经网络模型。该模型有三个全连接层和两个激活函数（ReLU和Softmax）。`forward`方法实现前向传播过程。

接着，我们定义了训练函数`train`和测试函数`test`，分别用于训练和测试模型。在训练函数中，我们首先将模型设置为训练模式，然后遍历训练数据集，计算模型输出和损失，并进行反向传播和参数更新。在测试函数中，我们将模型设置为评估模式，然后使用测试数据集进行模型测试，并计算模型的准确率。

最后，我们加载MNIST数据集，初始化模型、损失函数和优化器，并开始训练模型。在训练过程中，我们遍历数据集若干次（这里是10次），每次训练时都调用`train`函数更新模型，然后调用`test`函数测试模型的准确率。