pytorch中，在使用dataloader的情况下，一般如何来训练神经网络，同时记录下每个epoch的loss并显示出来

在使用dataloader训练神经网络时，一般的做法是先创建一个训练函数，然后在函数中定义一个dataloader，再根据dataloader迭代数据集中的batch进行训练。同时，可以使用PyTorch内置函数来记录每个epoch的loss，并将其显示出来。

下面是一个简单的例子：

import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader

# 定义神经网络模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(2, 4)
        self.fc2 = nn.Linear(4, 1)

    def forward(self, x):
        x = nn.functional.relu(self.fc1(x))
        x = self.fc2(x)
        return x

# 定义训练函数
def train(model, dataloader, optimizer, criterion):
    model.train()
    running_loss = 0.0
    for i, data in enumerate(dataloader, 0):
        inputs, labels = data
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
    epoch_loss = running_loss / len(dataloader.dataset)
    return epoch_loss

# 创建数据集
trainset = [(torch.randn(2), torch.randn(1)) for i in range(100)]
trainloader = DataLoader(trainset, batch_size=10, shuffle=True)

# 创建模型、损失函数和优化器
net = Net()
criterion = nn.MSELoss()
optimizer = optim.SGD(net.parameters(), lr=0.01, momentum=0.9)

# 训练模型
for epoch in range(10):
    epoch_loss = train(net, trainloader, optimizer, criterion)
    print('Epoch %d: Loss = %.3f' % (epoch+1, epoch_loss))

在上述代码中，我们通过train函数来定义训练过程，其中dataloader参数用于迭代数据集中的batch。在每个epoch结束后，我们计算并输出该epoch的平均loss。