使用Python的CreateNet()函数进行神经网络构建

CreateNet()函数是一个自定义函数，用于构建神经网络。下面是一个使用Python的CreateNet()函数进行神经网络构建的例子：

import torch
import torch.nn as nn

def CreateNet():
    # 构建神经网络结构
    net = nn.Sequential(
        nn.Linear(10, 20),  # 输入层到隐藏层的线性变换
        nn.ReLU(),          # 隐藏层的非线性激活函数
        nn.Linear(20, 10),  # 隐藏层到输出层的线性变换
        nn.Sigmoid()        # 输出层的非线性激活函数
    )
    
    return net

# 创建一个具有2个隐藏层的神经网络
net = CreateNet()

# 打印神经网络结构
print(net)

在上面的例子中，我们定义了一个CreateNet()函数，该函数使用了PyTorch库中的nn模块。在函数中，我们通过nn.Sequential()来依次定义神经网络的层。其中：

- nn.Linear(10, 20)表示输入层到隐藏层的线性变换，10是输入层的大小（输入特征的数量），20是隐藏层的大小（隐藏层神经元的数量）。

- nn.ReLU()表示隐藏层的非线性激活函数，这里使用ReLU。

- nn.Linear(20, 10)表示隐藏层到输出层的线性变换，20是隐藏层的大小（输入特征的数量），10是输出层的大小（输出特征的数量）。

- nn.Sigmoid()表示输出层的非线性激活函数，这里使用Sigmoid。

在函数末尾，我们返回构建好的网络net。

在主程序中，我们调用CreateNet()函数，实例化一个具有2个隐藏层的神经网络。然后，我们使用print(net)打印神经网络的结构。

运行以上代码，输出结果如下所示：

Sequential(
  (0): Linear(in_features=10, out_features=20, bias=True)
  (1): ReLU()
  (2): Linear(in_features=20, out_features=10, bias=True)
  (3): Sigmoid()
)

结果显示我们成功创建了一个具有2个隐藏层的神经网络，并打印出了网络的结构信息。其中，编号为0和2的层是线性变换层，编号为1和3的层是激活函数层。