写一段pytorch框架中在训练神经网络中输出最小权重的代码

以下是在PyTorch框架中训练神经网络时输出最小权重的代码示例：

import torch

# 定义神经网络模型
class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = torch.nn.Linear(10, 20)
        self.fc2 = torch.nn.Linear(20, 1)
    
    def forward(self, x):
        x = torch.relu(self.fc1(x))
        x = self.fc2(x)
        return x

# 初始化模型
net = Net()

# 定义优化器和损失函数
optimizer = torch.optim.SGD(net.parameters(), lr=0.1)
criterion = torch.nn.MSELoss()

# 训练模型
for epoch in range(10):
    # 生成随机数据
    x = torch.randn(100, 10)
    y = torch.randn(100, 1)
    
    # 前向传播计算loss
    outputs = net(x)
    loss = criterion(outputs, y)
    
    # 反向传播更新参数
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    
    # 输出最小权重
    min_weight = torch.min(net.fc1.weight)
    print("Epoch: {}, Loss: {}, Min Weight: {}".format(epoch, loss.item(), min_weight))

在代码中，我们定义了一个简单的神经网络模型，使用随机数据进行训练，并在每个epoch结束时输出当前的损失值和最小权重值。其中，最小权重值是通过`torch.min`函数计算得到的。