pytorch使用例子

### PyTorch 使用示例代码

#### 加载数据集并创建 DataLoader
为了方便处理批量数据，在PyTorch中通常会使用`DataLoader`类来加载数据。这允许更高效的内存管理和批处理机制。

from torch.utils.data import DataLoader, TensorDataset
import torch

# 创建一些虚拟的数据作为例子
features = torch.randn((100, 5))  # 假设有100个样本，每个有5维特征
labels = torch.randint(0, 2, (100,)).long()  # 随机生成二元分类标签

dataset = TensorDataset(features, labels)
dataloader = DataLoader(dataset, batch_size=8, shuffle=True)

for batch_features, batch_labels in dataloader:
    print(batch_features.shape, batch_labels.shape)
    break  # 只打印第一个批次的信息

#### 定义神经网络结构
定义一个多层感知器（MLP），这是一个简单的全连接前馈神经网络模型。

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

class SimpleNet(nn.Module):
    def __init__(self, input_dim, hidden_dim, output_dim):
        super(SimpleNet, self).__init__()
        self.fc1 = nn.Linear(input_dim, hidden_dim)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(hidden_dim, output_dim)

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

model = SimpleNet(input_dim=5, hidden_dim=10, output_dim=2)  # 对应于上面的例子中的输入维度和类别数量
criterion = nn.CrossEntropyLoss()  # 处理多分类问题时常用的损失函数
optimizer = optim.SGD(model.parameters(), lr=0.01)  # 使用随机梯度下降法更新参数

#### 训练过程
下面展示了一个基本的训练循环，其中包含了前向传播、计算损失以及反向传播三个部分。

num_epochs = 5  # 设定迭代次数
for epoch in range(num_epochs):
    running_loss = 0.0
    for inputs, targets in dataloader:
        optimizer.zero_grad()  # 清除之前的梯度
        
        outputs = model(inputs)  # 执行一次前向传递得到预测结果
        loss = criterion(outputs, targets)  # 根据实际值与预测值计算误差
        loss.backward()  # 进行反向传播计算梯度
        optimizer.step()  # 更新权重
        
        running_loss += loss.item()

    average_loss = running_loss / len(dataloader)
    print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {average_loss:.4f}')