from torchtext.legacy import data, 用SGD优化器的代码

import torch
from torchtext.legacy.data import TabularDataset
from torchtext.legacy.data import Iterator, BucketIterator

# 加载数据
train_data, val_data, test_data = TabularDataset.splits(path='path/to/data', train='train.csv', validation='val.csv', test='test.csv', format='csv', fields=[('text', TEXT), ('label', LABEL)])

# 创建词典
TEXT.build_vocab(train_data, val_data, test_data)
LABEL.build_vocab(train_data)

# 创建迭代器
train_iter, val_iter, test_iter = BucketIterator.splits((train_data, val_data, test_data), batch_size=32, sort_key=lambda x: len(x.text), repeat=False, shuffle=True)

# 定义模型
class Classifier(nn.Module):
    def __init__(self, vocab_size, embedding_size, hidden_size, output_size):
        super(Classifier, self).__init__()
        self.embedding = nn.Embedding(vocab_size, embedding_size)
        self.lstm = nn.LSTM(embedding_size, hidden_size)
        self.fc = nn.Linear(hidden_size, output_size)
    
    def forward(self, x):
        x = self.embedding(x)
        x, _ = self.lstm(x)
        x = self.fc(x[-1])
        return x

model = Classifier(len(TEXT.vocab), 100, 100, len(LABEL.vocab))

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

# 训练模型
for epoch in range(num_epochs):
    for batch in train_iter:
        optimizer.zero_grad()
        prediction = model(batch.text)
        loss = criterion(prediction, batch.label)
        loss.backward()
        optimizer.step()

上述代码是使用 torchtext.legacy 中的 TabularDataset 和 Iterator 类来加载和处理数据，然后使用 PyTorch 中的 nn.Module 和 optim.SGD 类来构建模型和优化器，完成训练。

注意, torchtext.legacy 为过时的版本，建议使用torchtext 的最新版本， 并