pytorch示例代码

当然，我可以给你一个 PyTorch 的示例代码。以下是一个简单的线性回归模型的示例：

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

# 准备数据
x_train = torch.tensor([[1.0], [2.0], [3.0], [4.0]])
y_train = torch.tensor([[2.0], [4.0], [6.0], [8.0]])

# 定义模型
class LinearRegressionModel(nn.Module):
    def __init__(self):
        super(LinearRegressionModel, self).__init__()
        self.linear = nn.Linear(1, 1)

    def forward(self, x):
        return self.linear(x)

model = LinearRegressionModel()

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

# 训练模型
num_epochs = 1000
for epoch in range(num_epochs):
    # 前向传播
    outputs = model(x_train)
    loss = criterion(outputs, y_train)

    # 反向传播和优化
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    if (epoch+1) % 100 == 0:
        print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}')

# 测试模型
x_test = torch.tensor([[5.0]])
y_test = model(x_test)
print(f'Prediction after training: {y_test.item():.4f}')

这是一个简单的线性回归模型，它使用一个线性层来拟合输入和输出之间的关系。我们使用均方误差损失函数和随机梯度下降优化器来训练模型。在训练完成后，我们使用模型进行预测并输出结果。

请注意，这只是一个简单的示例，实际的深度学习任务可能需要更复杂的模型和训练过程。但这个示例可以帮助你了解如何在 PyTorch 中构建和训练模型。