import torch
from torch.nn import Linear,ReLU,Sequential
from torch.optim import Adam
neuro_net = Sequential(
        Linear(3,8),  # 第一层有8个神经元，各有三个输入
        ReLU(),  # 第一层是非线性函数max（*，0）
        Linear(8,8),  # 第二层八个神经元，各自八个输入
        ReLU(),  # 同样的max（*，0）
        Linear(8,1),  # 最后一层是2个神经元，八个输入
        )
def g(x,y) :
    x0,x1,x2 = 1 , x[:,1] , x[:,2]**2 
    y0 = y[:,0]
    return (1+x1+x2)*y0 - y0**2 - x1*x2 


optimizer = torch.optim.Adam(neuro_net.parameters()) 
for step in range(100000) :  # 迭代100000次
    optimizer.zero_grad() 
    x = torch.randn(1000,3) 
    y = neuro_net(x) 
    outputs = g(x,y) 
    loss = - torch.sum(outputs)
    loss.backward() 
    optimizer.step() 
    if(step % 100) == 0 :
        print('iteration #{} : loss = {}'.format(step,loss.item()))  # 

############# 测试  #############################

x_test = torch.randn(2,3) 
print('测试输入：{}'.format(x_test))   #把测试数据输出打印

y_test = neuro_net(x_test)  # 把随机数据输入到网络里，得到y

print('本代码计算结果：{}'.format(y_test))   # 把y打印
print('g的值：{}'.format(g(x_test,y_test)))  


# 根据理论计算参考答案
def argmax_g(x):
    x0, x1, x2 = 1, x[:, 1] ,x[:, 2] ** 2
    return 0.5 * (x0 + x1 + x2)[:, None]
yref_test = argmax_g(x_test)
print ('理论最优值: {}'.format(yref_test))
print ('g的值: {}'.format(g(x_test, yref_test)))

本样例采用了三层神经网络，一共17个神经元，是个比较简单直观的例子。
样例中将range循环从1000扩大到100000，结果基本保持了四位小数的准确性。