pytorch函数逼近代码实现，并计算运行时间，均差，总误差

下面是一个使用PyTorch实现函数逼近的简单示例代码：

import torch
import time

# 定义函数：f(x) = 2x + 1
def true_func(x):
    return 2 * x + 1

# 生成数据集
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)
y = true_func(x) + torch.randn(x.size()) * 0.1

# 定义模型
model = torch.nn.Sequential(
    torch.nn.Linear(1, 10),
    torch.nn.ReLU(),
    torch.nn.Linear(10, 1)
)

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

# 训练模型
start_time = time.time()
for epoch in range(1000):
    y_pred = model(x)
    loss = criterion(y_pred, y)
    
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

end_time = time.time()
total_time = end_time - start_time

# 计算均差和总误差
with torch.no_grad():
    y_pred = model(x)
    average_diff = torch.mean(torch.abs(y_pred - y))
    total_error = torch.sum(torch.abs(y_pred - y))

print("运行时间：", total_time)
print("均差：", average_diff.item())
print("总误差：", total_error.item())

在这个示例中，我们使用一个简单的线性函数f(x) = 2x + 1作为真实函数，并生成带有噪声的数据集。然后，我们使用一个包含两个线性层和一个ReLU激活函数的神经网络模型来逼近这个函数。我们使用均方误差损失函数和随机梯度下降优化器进行训练。最后，我们计算运行时间、均差和总误差。

请注意，这只是一个简单的示例，实际中可能需要更复杂的模型和训练过程来实现更准确的函数逼近。