3）尝试调节损失函数和优化器，判断各种优化器的优劣；并给出代码

在调节损失函数和优化器方面，可以通过更改超参数来实现。常见的损失函数包括交叉熵损失函数和均方误差损失函数，常见的优化器包括SGD、Adam、Adagrad等。下面是一个简单的示例代码，展示如何使用PyTorch实现不同优化器的训练：

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

# 定义模型
class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.fc1 = nn.Linear(10, 5)
        self.fc2 = nn.Linear(5, 2)

    def forward(self, x):
        x = self.fc1(x)
        x = nn.ReLU()(x)
        x = self.fc2(x)
        return x

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

# 定义训练数据和标签
inputs = torch.randn(3, 10)
labels = torch.tensor([0, 1, 0])

# 初始化模型和优化器
model = MyModel()
optimizer_sgd = optim.SGD(model.parameters(), lr=0.01)
optimizer_adam = optim.Adam(model.parameters(), lr=0.01)
optimizer_adagrad = optim.Adagrad(model.parameters(), lr=0.01)

# 训练模型
for epoch in range(100):
    # 使用SGD优化器
    optimizer_sgd.zero_grad()
    outputs = model(inputs)
    loss = criterion(outputs, labels)
    loss.backward()
    optimizer_sgd.step()

    # 使用Adam优化器
    optimizer_adam.zero_grad()
    outputs = model(inputs)
    loss = criterion(outputs, labels)
    loss.backward()
    optimizer_adam.step()

    # 使用Adagrad优化器
    optimizer_adagrad.zero_grad()
    outputs = model(inputs)
    loss = criterion(outputs, labels)
    loss.backward()
    optimizer_adagrad.step()

    # 输出当前epoch的损失值
    print("epoch {} - SGD loss: {}, Adam loss: {}, Adagrad loss: {}".format(epoch+1, loss.item(), loss.item(), loss.item()))

在这个示例代码中，我们使用了三种不同的优化器：SGD、Adam和Adagrad，它们的超参数都设置为0.01。为了更好地展示训练效果，我们每个epoch都分别使用三种优化器进行训练，并输出当前epoch的损失值。可以根据输出结果来判断不同优化器的优劣。