### 使用PyTorch构建四层神经网络 在PyTorch中，可以通过`torch.nn.Sequential`来快速定义一个多层神经网络。以下是一个包含四个层次的神经网络实现方法及其代码示例： #### 神经网络架构设计 该神经网络由以下几个部分组成： 1. 输入层到隐藏层1的线性变换 (`torch.nn.Linear`)。 2. 隐藏层1后的激活函数 (ReLU)。 3. 隐藏层2的线性变换 (`torch.nn.Linear`)。 4. 隐藏层2后的激活函数 (ReLU)。 5. 隐藏层3的线性变换 (`torch.nn.Linear`)。 6. 输出层的线性变换 (`torch.nn.Linear`)。 这种结构允许数据依次通过每一层并进行相应的处理[^1]。 #### 示例代码 以下是完整的代码示例，展示如何使用PyTorch构建一个具有四层的神经网络： ```python import torch import torch.nn as nn # 定义输入、隐藏层和输出的大小 input_size = 784 # 假设输入为MNIST图像展平后的尺寸 hidden_size_1 = 256 # 第一层隐藏层节点数 hidden_size_2 = 128 # 第二层隐藏层节点数 hidden_size_3 = 64 # 第三层隐藏层节点数 output_size = 10 # 输出类别数量（例如手写数字分类） # 构建四层神经网络 model = nn.Sequential( nn.Linear(input_size, hidden_size_1), # 输入层 -> 隐藏层1 nn.ReLU(), # ReLU 激活函数 nn.Linear(hidden_size_1, hidden_size_2), # 隐藏层1 -> 隐藏层2 nn.ReLU(), # ReLU 激活函数 nn.Linear(hidden_size_2, hidden_size_3), # 隐藏层2 -> 隐藏层3 nn.ReLU(), # ReLU 激活函数 nn.Linear(hidden_size_3, output_size) # 隐藏层3 -> 输出层 ) print(model) ``` 此代码片段展示了如何利用`torch.nn.Sequential`组合多个线性和非线性操作来形成一个深层神经网络[^1]。 #### 关键点说明 - **Linear Layer**: `torch.nn.Linear(in_features, out_features)`用于执行从输入到输出的线性映射[^3]。 - **Activation Function**: 在每两个连续的线性层之间加入激活函数（如ReLU），以引入非线性特性，从而增强模型表达能力。 - **Sequential Model**: 这种方式适合简单的前馈网络，其中各层按顺序排列[^2]。 ---