pytorch基础代码

当然，这里是一个使用 PyTorch 的基础示例代码：

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

# 定义一个简单的神经网络
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(10, 5)
        self.fc2 = nn.Linear(5, 1)
        self.sigmoid = nn.Sigmoid()

    def forward(self, x):
        x = torch.relu(self.fc1(x))
        x = self.sigmoid(self.fc2(x))
        return x

# 创建网络实例和损失函数
net = Net()
criterion = nn.MSELoss()

# 创建优化器
optimizer = optim.SGD(net.parameters(), lr=0.01)

# 准备训练数据
inputs = torch.randn(100, 10)
labels = torch.randn(100, 1)

# 进行训练
for epoch in range(100):
    optimizer.zero_grad()  # 梯度清零

    outputs = net(inputs)
    loss = criterion(outputs, labels)
    loss.backward()  # 反向传播
    optimizer.step()  # 更新权重

    if (epoch+1) % 10 == 0:
        print(f"Epoch {epoch+1}, Loss: {loss.item()}")

# 使用训练好的模型进行预测
test_inputs = torch.randn(10, 10)
predicted = net(test_inputs)

print("Prediction results:")
print(predicted)

这段代码演示了一个简单的神经网络的创建、训练和预测过程。首先定义了一个简单的神经网络类 `Net`，然后创建网络实例、损失函数和优化器。接下来，使用随机生成的训练数据进行训练，并在每个 epoch 打印出当前的损失值。最后，使用训练好的模型对新的数据进行预测，并输出预测结果。

请注意，这只是一个简单的示例，实际使用过程中可能会涉及到更复杂的网络结构、更多的训练数据和更复杂的训练过程。