BP神经网络，实战minist数据集

class BPNetwork(torch.nn.Module):
    def __init__(self):
        super(BPNetwork, self).__init__()
        """
        定义第一个线性层，
        输入为图片（28x28），
        输出为第一个隐层的输入，大小为128。
        """
        self.linear1 = torch.nn.Linear(28 * 28, 128)
        # 在第一个隐层使用ReLU激活函数
        self.relu1 = torch.nn.ReLU()
        """
        定义第二个线性层，
        输入是第一个隐层的输出，
        输出为第二个隐层的输入，大小为64。
        """
        self.linear2 = torch.nn.Linear(128, 64)
        # 在第二个隐层使用ReLU激活函数
        self.relu2 = torch.nn.ReLU()
        """
        定义第三个线性层，
        输入是第二个隐层的输出，
        输出为输出层，大小为10
        """
        self.linear3 = torch.nn.Linear(64, 10)
        # 最终的输出经过softmax进行归一化
        self.softmax = torch.nn.LogSoftmax(dim=1)
    def forward(self, x):
        """
        定义神经网络的前向传播
        x: 图片数据, shape为(64, 1, 28, 28)
        """
        # 首先将x的shape转为(64, 784)
        x = x.view(x.shape[0], -1)
        # 接下来进行前向传播
        x = self.linear1(x)
        x = self.relu1(x)
        x = self.linear2(x)
        x = self.relu2(x)
        x = self.linear3(x)
        x = self.softmax(x)
        # 上述一串，可以直接使用 x = self.model(x) 代替。
        return x

定义了一个简单的神经网络模型，该模型继承自PyTorch的torch.nn.Module。这个模型用于处理图像数据，并最后输出一个经过softmax归一化的10维向量。下面是对代码的详细解释：

1. 初始化函数 __init__:

   • self.linear1 = torch.nn.Linear(28 * 28, 128): 定义第一个线性层（全连接层）。输入是28x28的图像数据（即784个像素值），输出是一个128维的向量。
   • self.relu1 = torch.nn.ReLU(): 在第一个隐层后使用ReLU激活函数。
   • self.linear2 = torch.nn.Linear(128, 64): 定义第二个线性层。输入是第一个隐层的128维输出，输出是一个64维的向量。
   • self.relu2 = torch.nn.ReLU(): 在第二个隐层后使用ReLU激活函数。
   • self.linear3 = torch.nn.Linear(64, 10): 定义第三个线性层。输入是第二个隐层的64维输出，输出是一个10维的向量。
   • self.softmax = torch.nn.LogSoftmax(dim=1): 在输出层使用LogSoftmax进行归一化。dim=1表示在第二个维度（即每一行）上进行归一化。

2. 前向传播函数 forward:

   • 输入x是一个四维张量，其shape为(64, 1, 28, 28)。这表示有64张图像，每张图像为单通道（灰度图），大小为28x28。
   • x = x.view(x.shape[0], -1): 这行代码将输入的四维张量转换为一个二维张量，其shape为(64, 784)。这样做的目的是将每张图像展平为一个784维的向量，以便可以输入到第一个线性层。
   • 接下来的几行x = self.layer(x)是对网络进行前向传播。数据依次通过线性层、ReLU激活函数，直到最后的LogSoftmax归一化。
   • 最后，函数返回经过LogSoftmax归一化的输出x。

• 在forward函数注释中提到“上述一串，可以直接使用 x = self.model(x) 代替。”，但实际上在代码中并没有定义self.model。这可能是一个错误或者是一个未完成的代码片段。如果你想使用这种方式来简化代码，你需要先定义一个包含所有层的Sequential模型，并将其赋值给self.model。

整体来说，这是一个非常基础的神经网络模型，适用于处理简单的图像分类任务。

# 第2步：加载数据集
# MNIST包含70,000张手写数字图像: 60,000张用于训练，10,000张用于测试。
# 图像是灰度的，28×28像素的，并且居中的，以减少预处理和加快运行。
transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])

# 使用torchvision读取数据
trainset = torchvision.datasets