福州专业网站建设网络公司搜索 引擎优化

代码功能

网络定义：
使用 torch.nn 构建了一个简单的前馈神经网络。
隐藏层使用 ReLU 激活函数，输出层使用 Sigmoid 函数（适用于二分类问题）。
数据生成：
使用经典的 XOR 问题作为数据集。
数据点为二维输入，目标为 0 或 1。
训练过程：
使用二分类交叉熵损失函数 BCELoss。
优化器为 Adam，具有较快的收敛速度。
损失可视化：
每次训练后记录损失并绘制损失曲线。
结果输出：
显示最终预测值，并与真实标签进行比较。

代码

import torch
import torch.nn as nn
import torch.optim as optim
import numpy as np
import matplotlib.pyplot as plt# 1. 定义前馈神经网络
class FeedforwardNN(nn.Module):def __init__(self, input_dim, hidden_dim, output_dim):super(FeedforwardNN, self).__init__()self.fc = nn.Sequential(nn.Linear(input_dim, hidden_dim),  # 输入层到隐藏层nn.ReLU(),  # 激活函数nn.Linear(hidden_dim, output_dim),  # 隐藏层到输出层nn.Sigmoid()  # 输出层的激活函数（适用于二分类问题）)def forward(self, x):return self.fc(x)# 2. 创建 XOR 数据集
def create_xor_data():X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]], dtype=np.float32)y = np.array([[0], [1], [1], [0]], dtype=np.float32)return X, y# 3. 训练前馈神经网络
def train_fnn():# 数据准备X, y = create_xor_data()X = torch.tensor(X, dtype=torch.float32)y = torch.tensor(y, dtype=torch.float32)# 初始化网络、损失函数和优化器input_dim = X.shape[1]hidden_dim = 10output_dim = 1model = FeedforwardNN(input_dim, hidden_dim, output_dim)criterion = nn.BCELoss()  # 二分类交叉熵损失optimizer = optim.Adam(model.parameters(), lr=0.01)# 训练网络epochs = 1000loss_history = []for epoch in range(epochs):# 前向传播outputs = model(X)loss = criterion(outputs, y)# 反向传播与优化optimizer.zero_grad()loss.backward()optimizer.step()# 记录损失loss_history.append(loss.item())if (epoch + 1) % 100 == 0:print(f"Epoch [{epoch + 1}/{epochs}], Loss: {loss.item():.4f}")# 绘制损失曲线plt.plot(loss_history)plt.xlabel('Epoch')plt.ylabel('Loss')plt.title('Training Loss Curve')plt.show()# 输出训练结果with torch.no_grad():predictions = model(X).round()print("Predictions:", predictions.numpy())print("Ground Truth:", y.numpy())# 运行训练
if __name__ == "__main__":train_fnn()