来一段能跑的深度学习代码

下面是一个简单的Python代码示例，使用PyTorch框架创建了一个深度学习模型，用于分类MNIST手写数字数据集。这是一个可以运行的简单神经网络，训练过程中使用了随机梯度下降(SGD)优化器和交叉熵损失函数。

# 导入所需库
import torch
import torch.nn as nn
from torchvision import datasets, transforms

# 定义模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(784, 50)
        self.fc2 = nn.Linear(50, 10)

    def forward(self, x):
        x = x.view(-1, 784)
        x = torch.relu(self.fc1(x))
        x = self.fc2(x)
        return x

# 设置超参数和数据加载
transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])
train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True)

# 创建模型实例
model = Net()

# 损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.001)

# 训练过程
for epoch in range(10):  # 总共10个epoch
    for i, (images, labels) in enumerate(train_loader):
        # 假设我们有一个GPU可用
        if torch.cuda.is_available():
            images, labels = images.to('cuda'), labels.to('cuda')

        # 前向传播
        outputs = model(images)
        loss = criterion(outputs, labels)

        # 反向传播和优化
        optimizer.zero_grad()  # 清零梯度
        loss.backward()  # 反向传播求梯度
        optimizer.step()  # 更新权重

        # 打印进度条信息
        print(f'Epoch [{epoch+1}/{10}], Step [{i+1}/{len(train_loader)}], Loss: {loss.item():.4f}')

# 预测和评估
test_dataset = datasets.MNIST(root='./data', train=False, transform=transform)
test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=64, shuffle=False)
# ... (在这里添加测试代码)