使用pytorch搭建一个RNN，其中前向传播和反向传播这两部分具体是怎么实现的？请用pytorch代码举简单的例子

好的，以下是一个简单的RNN模型的前向传播和反向传播的实现代码：

import torch
import torch.nn as nn

class SimpleRNN(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(SimpleRNN, self).__init__()
        self.hidden_size = hidden_size
        self.i2h = nn.Linear(input_size + hidden_size, hidden_size)
        self.i2o = nn.Linear(input_size + hidden_size, output_size)
        self.softmax = nn.LogSoftmax(dim=1)

    def forward(self, input, hidden):
        combined = torch.cat((input, hidden), 1)
        hidden = self.i2h(combined)
        output = self.i2o(combined)
        output = self.softmax(output)
        return output, hidden

    def initHidden(self):
        return torch.zeros(1, self.hidden_size)

# 定义超参数
input_size = 10
hidden_size = 20
output_size = 5
seq_len = 3

# 构建RNN模型
rnn = SimpleRNN(input_size, hidden_size, output_size)

# 定义输入和输出
input_data = torch.randn(seq_len, 1, input_size)
target_data = torch.tensor([[1], [2], [3]])

# 初始化隐藏状态
hidden = rnn.initHidden()

# 前向传播
for i in range(seq_len):
    output, hidden = rnn(input_data[i], hidden)

# 计算损失函数
loss_func = nn.NLLLoss()
loss = loss_func(output, target_data)

# 反向传播
rnn.zero_grad()
loss.backward()

在上面的代码中，我们首先定义了一个简单的RNN模型，其中包含一个输入层、一个隐藏层和一个输出层。在forward函数中，我们将输入和上一个时间步的隐藏状态拼接在一起，然后通过线性变换和LogSoftmax函数得到输出和新的隐藏状态。在反向传播中，我们首先计算损失函数，然后通过调用`rnn.zero_grad()`将所有参数的梯度清零，最后调用`loss.backward()`来计算所有参数的梯度。