torch.optim.Adam()

torch.optim.Adam() 是 PyTorch 深度学习框架中的一种优化器，用于更新神经网络模型的参数以使损失函数最小化。它基于自适应矩估计（Adaptive Moment Estimation，Adam）算法，结合了 AdaGrad 和 RMSProp 两种优化算法的优点，能够自适应地调整学习率，并且能够处理稀疏梯度问题。在使用时，需要先定义一个优化器对象，再在训练循环中使用该优化器进行参数更新。例如：

import torch.optim as optim

# 定义模型和损失函数
model = MyModel()
criterion = nn.CrossEntropyLoss()

# 定义优化器
optimizer = optim.Adam(model.parameters(), lr=0.001)

# 训练循环
for epoch in range(num_epochs):
    for data, label in dataloader:
        optimizer.zero_grad()
        output = model(data)
        loss = criterion(output, label)
        loss.backward()
        optimizer.step()

在这个例子中，我们使用了 Adam 优化器对模型的参数进行更新。其中 lr 参数表示学习率，指定了每次参数更新的步长。```optimizer.zero_grad()``` 用于清空梯度缓存，防止梯度累加。```loss.backward()``` 用于计算损失函数关于模型参数的梯度，```optimizer.step()``` 用于根据梯度更新模型参数。