如何使用torch.optim.Adam

torch.optim.Adam是PyTorch中的一种优化器，可以用于训练神经网络模型。它是一种自适应学习率的优化算法，能够自动调节学习率并适应不同的数据集和模型。

使用torch.optim.Adam的步骤如下：

1. 导入torch.optim.Adam：

import torch.optim as optim

optimizer = optim.Adam(model.parameters(), lr=0.001)

2. 定义损失函数：

criterion = nn.CrossEntropyLoss()

3. 在训练循环中，将优化器与损失函数传递给模型：

for epoch in range(num_epochs):
    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        # 获取输入和标签
        inputs, labels = data

        # 梯度清零
        optimizer.zero_grad()

        # 前向传播和计算损失
        outputs = model(inputs)
        loss = criterion(outputs, labels)

        # 反向传播和优化
        loss.backward()
        optimizer.step()

        # 统计损失值
        running_loss += loss.item()
    print('Epoch [%d/%d], Loss: %.4f' % (epoch+1, num_epochs, running_loss / len(trainset)))

在这个训练循环中，我们对模型进行了前向传播、计算损失、反向传播和优化。每个epoch结束后，我们打印出平均损失值。