半监督学习代码pytorch

以下是一个简单的半监督学习的代码示例，使用PyTorch实现：

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

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

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

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

# 加载数据集
labeled_data = ...
unlabeled_data = ...

# 训练模型
for epoch in range(num_epochs):
    for inputs, labels in labeled_data:
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

    for inputs in unlabeled_data:
        optimizer.zero_grad()
        outputs = model(inputs)
        # 计算伪标签
        pseudo_labels = torch.argmax(outputs, dim=1)
        # 使用伪标签计算损失
        loss = criterion(outputs, pseudo_labels)
        loss.backward()
        optimizer.step()

# 使用模型进行预测
...

在这个示例中，我们定义了一个简单的半监督学习模型，使用交叉熵损失函数和随机梯度下降优化器进行训练。我们将有标签数据和无标签数据分别加载到模型中进行训练，使用伪标签来计算无标签数据的损失。