pytorch简易测试代码

PyTorch是一个基于Python的机器学习框架，它提供了丰富的功能和高效的计算。下面是一个简单的PyTorch测试代码示例：

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

# 构建一个简单的神经网络模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc = nn.Linear(10, 1)  # 定义一个线性层

    def forward(self, x):
        x = self.fc(x)
        return x

# 创建神经网络模型实例
model = Net()

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

# 定义输入数据和标签
inputs = torch.randn(1, 10)  # 生成随机输入数据（样本数量为1，特征数量为10）
labels = torch.randn(1, 1)  # 生成随机标签数据（样本数量为1）

# 进行模型训练
for epoch in range(100):
    optimizer.zero_grad()  # 梯度清零，避免梯度累计
    outputs = model(inputs)  # 前向传播
    loss = criterion(outputs, labels)  # 计算损失值
    loss.backward()  # 反向传播，计算梯度
    optimizer.step()  # 更新网络参数

# 使用训练好的模型进行预测
test_input = torch.randn(1, 10)  # 生成一个测试输入样本
predicted_output = model(test_input)  # 使用模型进行预测

print("Predicted output:", predicted_output.item())  # 打印预测结果

以上代码首先定义了一个简单的神经网络模型，该模型包含一个线性层，用于输入向量的线性变换。然后定义了损失函数（均方误差）和优化器（随机梯度下降）。接下来，我们生成了训练数据和标签，并进行模型训练，通过反向传播更新模型参数。最后，使用训练好的模型对一个测试输入样本进行预测，并输出预测结果。

这个示例代码给出了PyTorch中构建神经网络模型、定义损失函数和优化器、进行模型训练和预测的基本流程。你可以根据具体需求和数据特点对代码进行修改和扩展。