torch.optim.Adam()应用实例

下面是一个简单的应用实例，使用torch.optim.Adam()函数来训练一个简单的线性回归模型：

import torch
import torch.optim as optim

# 定义数据集
x_train = torch.randn(100, 1)
y_train = 3 * x_train + 0.5 * torch.randn(100, 1)

# 定义模型
model = torch.nn.Linear(1, 1)

# 定义优化器
optimizer = optim.Adam(model.parameters(), lr=0.01)

# 定义损失函数
criterion = torch.nn.MSELoss()

# 训练模型
for epoch in range(100):
    # 前向传播
    y_pred = model(x_train)
    
    # 计算损失
    loss = criterion(y_pred, y_train)
    
    # 反向传播
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    
    # 输出损失
    print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, 100, loss.item()))

在上面的代码中，首先定义了一个简单的数据集，然后定义了一个一层的线性回归模型。接下来使用torch.optim.Adam()函数定义了一个Adam优化器对象，并指定了学习率lr为0.01。然后定义了平均平方误差损失函数，并使用该优化器对象对模型进行训练。在每个epoch中，先进行前向传播计算预测值，然后计算损失并进行反向传播更新模型参数。最后输出每个epoch的损失值。