神经网络是一种模仿人脑神经元链接的计算模型， 由多层节点组成， 用于学习数据之间的复杂模式和关系。神经网络通过调整神经元之间的连接权重来优化预测结果，这个过程可以涉及到向前传播，损失计算，反向传播和参数更新。

PyTorch 提供了一个非常方便的接口来构建神经网络模型。这里记录下我的测试案例。

模型定义

创建了一个名为 SimpleNN 的神经网络类，继承自 nn.Module
网络结构包含两个全连接层：fc1（输入2维，输出2维）和 fc2（输入2维，输出1维），使用ReLU激活函数。

import torch.nn as nn
import torch.optim as optim
from sympy.printing.pytorch import torchclass SimpleNN(nn.Module):def __init__(self):super(SimpleNN, self).__init__()self.fc1 = nn.Linear(2,2)self.fc2 = nn.Linear(2,1)def forward(self, x):x = torch.relu(self.fc1(x))x = self.fc2(x)return x

向前传播

实例化模型 model，生成随机输入数据 x（1个样本，2个特征）， 通过 model(x) 执行前向传播，得到输出 output

model = SimpleNN()
print(model)# 随机输入
x = torch.randn(1, 2)
print("\n随机输入:")
print(x)# 前向传播
output = model(x)
print("\n前向传播结果:")
print(output)

损失计算

定义均方误差损失函数 MSELoss
生成随机目标值 target
计算模型输出与目标值之间的损失 loss

# 定义损失函数（例如均方误差 MSE）
criterion = nn.MSELoss()# 假设目标值为 1
target = torch.randn(1, 1)
print("\n目标值:")
print(target)# 计算损失
loss = criterion(output, target)
print("\n损失:")
print(loss)

执行结果