用 Pytorch 定义MLP模型测试模型的代码

为了定义一个MLP模型并测试该模型，您可以按照以下步骤进行：

1. 导入所需的PyTorch库和依赖项。

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

2. 定义一个继承自nn.Module的类，以定义您的MLP模型。

class MLP(nn.Module):
def __init__(self, input_size, hidden_size, output_size):
super(MLP, self).__init__()
self.fc1 = nn.Linear(input_size, hidden_size)
self.fc2 = nn.Linear(hidden_size, output_size)
self.relu = nn.ReLU()

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

3. 初始化模型和优化器，并定义损失函数。

INPUT_SIZE = 10
HIDDEN_SIZE = 20
OUTPUT_SIZE = 2

model = MLP(INPUT_SIZE, HIDDEN_SIZE, OUTPUT_SIZE)
optimizer = optim.SGD(model.parameters(), lr=0.01)
criterion = nn.CrossEntropyLoss()

4. 定义一个数据集，以运行模型。

data = torch.randn(100, INPUT_SIZE) #定义一个10列100行的数据集
target = torch.randint(0, OUTPUT_SIZE, (100,)) #定义一个目标值
epochs = 1000

5. 进行训练和测试。

for epoch in range(epochs):
optimizer.zero_grad()
output = model(data)
loss = criterion(output, target)
loss.backward()
optimizer.step()

if epoch % 100 == 0:
print(loss.item())

6. 进行预测。

test_data = torch.randn(1, INPUT_SIZE)
with torch.no_grad():
test_output = model(test_data)

print(test_output)