帮我写个使用pytorch在PyThon中实现梯度下降法求最小值的代码

当然可以。在PyTorch中，你可以使用`autograd`库来自动计算梯度并实现梯度下降法。以下是一个简单的例子，假设我们有一个函数（如线性回归的损失函数）和一些随机初始化的权重参数，我们将演示如何使用SGD（随机梯度下降）找到局部最小值：

import torch
import torch.optim as optim

# 创建一个简单的函数作为优化目标
def quadratic_function(x):
    return (x - 3)**2 + 5

# 初始化随机参数
w = torch.tensor([0.0], requires_grad=True)  # 假设只有一个权重参数
learning_rate = 0.1  # 学习率

# 定义优化器
optimizer = optim.SGD([w], lr=learning_rate)

# 设置最大迭代次数
max_iterations = 100
for i in range(max_iterations):
    # 前向传播
    loss = quadratic_function(w)
    
    # 反向传播并更新参数
    optimizer.zero_grad()  # 清零梯度
    loss.backward()  # 计算梯度
    optimizer.step()  # 更新参数

    # 输出当前迭代的信息
    if i % 10 == 0:
        print(f"Iteration {i}: Loss = {loss.item():.4f}, w = {w.item():.4f}")