optim.SGD怎么使用

optim.SGD是PyTorch提供的一个随机梯度下降（Stochastic Gradient Descent，SGD）优化器，可以用来更新神经网络的权重。使用步骤如下：

1.导入相关的库

import torch
import torch.optim as optim

2.定义网络结构和损失函数

# 定义网络结构
class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = torch.nn.Linear(10, 5)
        self.fc2 = torch.nn.Linear(5, 1)
        
    def forward(self, x):
        x = torch.sigmoid(self.fc1(x))
        x = self.fc2(x)
        return x

# 定义损失函数
criterion = torch.nn.MSELoss()

3.定义训练数据和目标值

# 定义训练数据和目标值
x_train = torch.randn(100, 10)
y_train = torch.randn(100, 1)

4.初始化优化器

# 初始化优化器
optimizer = optim.SGD(net.parameters(), lr=0.01)

5.训练模型

# 训练模型
for epoch in range(100):
    # 前向传播
    y_pred = net(x_train)

    # 计算损失
    loss = criterion(y_pred, y_train)

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

    # 打印损失
    print('Epoch {}: Loss = {}'.format(epoch, loss.item()))

在训练过程中，每个epoch需要执行以下步骤：

1.将输入数据传入网络进行前向传播，得到输出结果。

2.计算输出结果和目标值之间的损失。

3.使用backward()函数进行反向传播，计算梯度。

4.使用优化器的step()函数更新权重。

5.打印损失。

注意，在使用SGD优化器时，需要传入网络的参数(net.parameters())和学习率(lr)两个参数。可以根据需要调整学习率和其他超参数。