用pytorch写一个非图片分类的的多分类，输入数据为38×97 输出为38*7，直接可以运行的完整代码

以下是一个简单的非图片分类的多分类模型，输入数据为38×97，输出为38×7，使用pytorch框架实现：

import torch
import torch.nn as nn
import torch.optim as optim

# 定义模型
class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.fc1 = nn.Linear(38*97, 100)
        self.fc2 = nn.Linear(100, 50)
        self.fc3 = nn.Linear(50, 7)

    def forward(self, x):
        x = x.view(-1, 38*97)
        x = torch.relu(self.fc1(x))
        x = torch.relu(self.fc2(x))
        x = self.fc3(x)
        return x

# 准备数据
train_data = torch.randn(1000, 38, 97)
train_label = torch.randint(0, 7, (1000,))

# 初始化模型和优化器
model = MyModel()
optimizer = optim.Adam(model.parameters(), lr=0.001)

# 训练模型
for epoch in range(100):
    for i in range(0, 1000, 32):
        optimizer.zero_grad()
        batch_data = train_data[i:i+32]
        batch_label = train_label[i:i+32]
        output = model(batch_data)
        loss = nn.CrossEntropyLoss()(output, batch_label)
        loss.backward()
        optimizer.step()

    if epoch % 10 == 0:
        print('Epoch: {}, Loss: {:.4f}'.format(epoch, loss.item()))

在这个例子中，我们定义了一个简单的三层全连接神经网络作为模型，使用ReLU作为激活函数，交叉熵损失作为损失函数，Adam作为优化器。训练过程中，使用随机梯度下降进行优化，每个batch的大小为32，训练100个epoch。在每个epoch结束时，我们打印出当前的损失。