### 使用 PyTorch 实现人工神经网络 (ANN) 的代码示例 以下是基于 PyTorch 构建一个人工神经网络的完整代码示例。此代码展示了如何定义一个多层感知器（MLP），并利用自动微分功能来简化梯度计算过程[^2]。 #### 定义模型结构 在 PyTorch 中，可以通过继承 `nn.Module` 类来自定义神经网络架构。下面是一个简单的两层全连接网络： ```python import torch import torch.nn as nn import torch.optim as optim class Simple ANN(nn.Module): def __init__(self, input_size, hidden_size, output_size): super(Simple ANN, self).__init__() # 定义隐藏层和输出层 self.fc1 = nn.Linear(input_size, hidden_size) # 输入到隐藏层 self.relu = nn.ReLU() # 非线性激活函数 self.fc2 = nn.Linear(hidden_size, output_size) # 隐藏层到输出层 def forward(self, x): out = self.fc1(x) out = self.relu(out) out = self.fc2(out) return out ``` #### 数据准备与训练循环 为了演示完整的流程，这里还包括数据加载、损失函数设置以及优化器配置的部分。 ```python # 假设输入维度为784（MNIST图像展平后的大小） input_size = 784 hidden_size = 50 output_size = 10 # MNIST有10个类别 model = Simple ANN(input_size, hidden_size, output_size) # 设置损失函数和优化器 criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001) # 训练阶段 for epoch in range(10): # 进行10轮迭代 running_loss = 0.0 for i, data in enumerate(train_loader, 0): # train_loader 是预处理好的数据集 inputs, labels = data optimizer.zero_grad() # 清零梯度 outputs = model(inputs.view(-1, 784)) # 将图片展平成一维向量 loss = criterion(outputs, labels) # 计算损失 loss.backward() # 反向传播 optimizer.step() # 更新参数 running_loss += loss.item() print(f'Epoch [{epoch+1}/10], Loss: {running_loss/len(train_loader)}') ``` 以上代码片段展示了一个基本的人工神经网络实现方法，并通过自动微分机制完成了反向传播中的梯度计算[^2]。值得注意的是，在实际应用中可能需要调整超参数如学习率、批次大小等以获得更好的性能。 #### 关于全连接层的作用说明 每一层都由多个神经元组成，这些神经元接收前一层所有节点作为输入，并将其加权求和后再经过非线性变换传递给下一层[^3]。这种设计使得网络能够捕捉复杂的模式关系从而完成分类或者回归任务。