### 构建神经网络的基础 构建一个简单的前馈神经网络涉及多个步骤，包括定义模型结构、初始化参数以及实现正向传播和反向传播机制。下面展示了一个基础的多层感知器（MLP），该网络可以用于分类任务。 ```python import torch from torch import nn from torch.nn import functional as F class SimpleNeuralNetwork(nn.Module): def __init__(self, input_size, hidden_sizes, output_size): super(SimpleNeuralNetwork, self).__init__() layers = [] current_input_size = input_size for h_size in hidden_sizes: layers.append(nn.Linear(current_input_size, h_size)) layers.append(nn.ReLU()) current_input_size = h_size layers.append(nn.Linear(current_input_size, output_size)) self.model = nn.Sequential(*layers) def forward(self, x): return self.model(x) input_dim = 784 # Example dimensionality of MNIST dataset images flattened into vectors. hidden_dims = [128, 64] # Two hidden layers with specified number of neurons each. output_dim = 10 # Number of classes for classification. model = SimpleNeuralNetwork(input_dim, hidden_dims, output_dim) print(model) ``` 上述代码创建了一个具有两层隐藏层的简单全连接神经网络，并使用ReLU激活函数来引入非线性[^1]。 为了使这个例子更加具体化，在这里还展示了如何定义自定义检测层`DetectionLayer`，这可能是某些特定应用所需要的组件之一： ```python class DetectionLayer(nn.Module): def __init__(self, anchors): super(DetectionLayer, self).__init__() self.anchors = anchors def forward(self, x): # Implement detection logic here based on anchor boxes... pass ``` 此部分提供了关于如何扩展标准模块类并添加额外功能的具体实例[^2]。 对于更复杂的任务，比如自然语言处理中的分词操作，则可能需要用到Python内置库如re来进行预处理工作；不过通常情况下会推荐使用现成工具包所提供的解决方案以简化流程[^3]。