在TensorFlow和PyTorch中定义一个简单的神经网络模型是非常直观的。以下是两种框架中定义简单神经网络模型的基本示例。 ### TensorFlow示例（使用TensorFlow 2.x） TensorFlow 2.x 引入了Keras API，它极大地简化了神经网络模型的构建、训练和评估过程。 ```python import tensorflow as tf # 定义一个简单的神经网络模型 model = tf.keras.Sequential([ # 第一个层，输入层，指定输入数据的形状（假设是28x28的图像数据） tf.keras.layers.Flatten(input_shape=(28, 28)), # 第一个全连接层，128个节点，使用ReLU激活函数 tf.keras.layers.Dense(128, activation='relu'), # 第二个全连接层（输出层），假设是10分类问题，使用softmax激活函数 tf.keras.layers.Dense(10, activation='softmax') ]) # 编译模型 model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) # 打印模型结构 model.summary() ``` ### PyTorch示例 PyTorch通过定义类来构建模型，该类继承自`torch.nn.Module`。在类中，你需要定义`__init__`方法以初始化网络层，并定义`forward`方法来定义数据的前向传播路径。 ```python import torch import torch.nn as nn import torch.nn.functional as F # 定义一个简单的神经网络模型 class SimpleNN(nn.Module): def __init__(self): super(SimpleNN, self).__init__() # 第一个全连接层，输入特征数为784（28*28），输出特征数为128 self.fc1 = nn.Linear(784, 128) # 第二个全连接层，输出特征数为10（假设是10分类问题） self.fc2 = nn.Linear(128, 10) def forward(self, x): # 将输入数据x展平（假设x是[batch_size, 1, 28, 28]的tensor，需要先reshape为[batch_size, 784]） x = x.view(-1, 784) # 通过第一个全连接层，并应用ReLU激活函数 x = F.relu(self.fc1(x)) # 通过第二个全连接层，并直接返回输出（可以在这里添加softmax激活函数，但通常在损失函数中处理） x = self.fc2(x) return x # 实例化模型 model = SimpleNN() # 打印模型结构 print(model) ``` 请注意，在PyTorch中，你通常不需要显式地调用softmax函数，因为当你使用如`nn.CrossEntropyLoss`这样的损失函数时，它会自动应用softmax操作。 这两个示例展示了如何在TensorFlow和PyTorch中定义一个简单的全连接神经网络，用于处理图像或类似的数据。你可以根据自己的需求调整层的数量和类型、激活函数以及优化器等。