网络结构

第一层有13个神经元，第二层8个神经元，第三层是输出层；其中第一层的激活函数是relu，第二层是sigmoid

代码实现

# 导入库
import torch
import torch.nn as nn
from torch.nn import functional as F

# 确定数据
torch.random.manual_seed(420)
X =  torch.rand((500,20),dtype=torch.float32)
y = torch.randint(low=0,high=3,size=(500,1),dtype=torch.float32)

# 第一层有13个神经元，第二层8个神经元，第三层是输出层；其中第一层的激活函数是relu，第二层是sigmoid
class Model(nn.Module):
    def __init__(self,in_features=10,out_features=2):
        """
        in_features: 输入该神经网络的特征数（输入层上的神经元的数目）
        out_featrues: 神经网络输出的数目（输出层上的神经元的数目）
        """
        super(Model,self).__init__()
        self.linear1 = nn.Linear(in_features,13,bias=True)
        self.linear2 = nn.Linear(13,8,bias=True)
        self.output = nn.Linear(8,out_features,bias=True)

    # 神经网络的向前传播
    def forward(self,x):
        z1 = self.linear1(x)
        sigma1 = torch.relu(z1)
        z2 = self.linear2(sigma1)
        sigma2 = torch.sigmoid(z2)
        z3 = self.output(sigma2)
        sigma3 = F.softmax(z3,dim=1)
        return sigma3

input_ = X.shape[1]
output_ = len(y.unique())

# 实例化神经网络
torch.random.manual_seed(420)

net = Model(in_features=input_, out_features=output_)

进行一次向前传播

net.forward(X)

查看运行结果：