帮我用pytorch写一个神经网络代码

好的，我可以回答这个问题。以下是一个简单的使用 PyTorch 编写神经网络的示例代码：

import torch
import torch.nn as nn
import torch.optim as optim

# 定义神经网络模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(784, 512)
        self.fc2 = nn.Linear(512, 256)
        self.fc3 = nn.Linear(256, 10)

    def forward(self, x):
        x = x.view(-1, 784)
        x = nn.functional.relu(self.fc1(x))
        x = nn.functional.relu(self.fc2(x))
        x = self.fc3(x)
        return nn.functional.log_softmax(x, dim=1)

# 加载数据集
train_loader = torch.utils.data.DataLoader(
    torchvision.datasets.MNIST('/tmp/data', train=True, download=True,
                               transform=torchvision.transforms.Compose([
                                   torchvision.transforms.ToTensor(),
                                   torchvision.transforms.Normalize(
                                       (.1307,), (.3081,))
                               ])),
    batch_size=64, shuffle=True)

# 初始化模型和优化器
model = Net()
optimizer = optim.SGD(model.parameters(), lr=.01, momentum=.5)

# 训练模型
def train(epoch):
    model.train()
    for batch_idx, (data, target) in enumerate(train_loader):
        optimizer.zero_grad()
        output = model(data)
        loss = nn.functional.nll_loss(output, target)
        loss.backward()
        optimizer.step()
        if batch_idx % 10 == :
            print('Train Epoch: {} [{}/{} ({:.f}%)]\tLoss: {:.6f}'.format(
                epoch, batch_idx * len(data), len(train_loader.dataset),
                100. * batch_idx / len(train_loader), loss.item()))

for epoch in range(1, 11):
    train(epoch)

这个代码使用 PyTorch 实现了一个简单的神经网络模型，用于对 MNIST 手写数字数据集进行分类。在训练过程中，使用随机梯度下降优化器来更新模型参数，同时使用交叉熵损失函数来计算模型的损失。