pytorch 简单神经网络搭建

好的，下面是一个简单的 PyTorch 神经网络搭建的示例代码：

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

# 定义一个简单的神经网络
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(10, 5)
        self.fc2 = nn.Linear(5, 1)

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

# 创建一个网络实例
net = Net()

# 定义 loss 函数和 optimizer
criterion = nn.MSELoss()
optimizer = optim.SGD(net.parameters(), lr=0.01)

# 准备数据
inputs = torch.randn(1, 10)
targets = torch.randn(1, 1)

# 训练网络
for epoch in range(1000):
    # 前向传播
    outputs = net(inputs)
    loss = criterion(outputs, targets)

    # 反向传播
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    # 每 100 次迭代输出一次损失值
    if epoch % 100 == 0:
        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, 1000, loss.item()))

这个示例代码定义了一个包含两个全连接层的神经网络，输入是一个长度为 10 的向量，输出是一个标量。我们使用均方误差作为 loss 函数，使用随机梯度下降作为优化器。在训练过程中，我们将输入和目标数据都随机生成，并且迭代 1000 次，每 100 次输出一次损失值。