在pytorch 框架下加载MNIST手写数字数据集，并构建只有一个全连接层和softmax层的网络来进行训练，损失函数为MAE,优化器为SGD

好的，以下是代码实现：

import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms

# 加载数据集并进行预处理
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.1307,), (0.3081,))
])
train_set = datasets.MNIST('./data', train=True, download=True, transform=transform)
test_set = datasets.MNIST('./data', train=False, download=True, transform=transform)

# 定义模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc = nn.Linear(784, 10) # 全连接层
        self.softmax = nn.Softmax(dim=1) # softmax层

    def forward(self, x):
        x = x.view(-1, 784)
        x = self.fc(x)
        x = self.softmax(x)
        return x

model = Net()

# 定义损失函数和优化器
criterion = nn.L1Loss()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)

# 开始训练
for epoch in range(10):
    for batch_idx, (data, target) in enumerate(train_loader):
        optimizer.zero_grad()
        output = model(data)
        loss = criterion(output, target)
        loss.backward()
        optimizer.step()

    print('Train Epoch: {} \t Loss: {:.6f}'.format(epoch+1, loss.item()))

# 测试模型
test_loss = 0
correct = 0
with torch.no_grad():
    for data, target in test_loader:
        output = model(data)
        test_loss += criterion(output, target).item()
        pred = output.argmax(dim=1, keepdim=True)
        correct += pred.eq(target.view_as(pred)).sum().item()

test_loss /= len(test_loader.dataset)
print('Test set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)'.format(
    test_loss, correct, len(test_loader.dataset),
    100. * correct / len(test_loader.dataset)))

其中，我们定义了一个名为 `Net` 的类来构建模型，包含一个全连接层和一个 softmax 层，使用 L1 损失函数和 SGD 优化器进行训练，最终输出测试集的平均损失和准确率。