福州专业网站建设网络公司,企业软文怎么写,织梦做企业网站教程,dedecms网站的源码如何安装代码功能
网络定义#xff1a; 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#xff0c;输出层使用 Sigmoid 函数#xff08;适用于二分类问题#xff09;。 数据生成#xff1a; 使用经典的 XOR 问题作为数据集。 数据点为二维输入#xff…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]], dtypenp.float32)y np.array([[0], [1], [1], [0]], dtypenp.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, dtypetorch.float32)y torch.tensor(y, dtypetorch.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(), lr0.01)# 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(fEpoch [{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()
