基于Python的机器学习系列（29）：前馈神经网络

        在本篇文章中，我们将学习如何使用PyTorch构建和训练一个前馈神经网络。我们将以线性回归为例，逐步了解PyTorch的各个组件及其在神经网络中的应用。这些步骤包括：

1. 指定输入和目标：我们将定义输入特征和目标变量。
2. 数据集和数据加载器：使用PyTorch的数据集和数据加载器来管理和加载数据。
3. nn.Linear（全连接层）：创建前馈神经网络中的线性层。
4. 定义损失函数：选择合适的损失函数来评估模型的性能。
5. 定义优化器：选择优化器来更新模型的权重。
6. 训练模型：通过训练过程来优化模型参数。

1. 指定输入和目标

        首先，我们需要定义输入特征和目标变量。考虑以下示例数据：

import torch
import numpy as np

# Input (temperature, rainfall, humidity)
x_train = np.array([[73, 67, 43], [91, 88, 64], [87, 134, 58], [88, 120, 50]])
# Targets (apple yield, orange yield)
y_train = np.array([[140, 155], [150, 180], [160, 190], [170, 200]])

2. 数据集和数据加载器

        我们将使用PyTorch的数据集和数据加载器