pytorch中adam优化器怎么用

在 PyTorch 中，使用 Adam 优化器可以很方便地实现模型的参数优化。

首先，需要导入 torch.optim 库，该库提供了多种优化器，包括 Adam。然后，创建一个 Adam 优化器对象并将模型的参数传递给它。

以下是一个使用 Adam 优化器的示例代码：

import torch
import torch.optim as optim

# 定义一个模型
class MyModel(torch.nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.linear = torch.nn.Linear(10, 1)

    def forward(self, x):
        return self.linear(x)

# 创建一个模型实例
model = MyModel()

# 定义损失函数和优化器
criterion = torch.nn.MSELoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

# 训练模型
for epoch in range(10):
    optimizer.zero_grad()  # 每次迭代前清零梯度
    output = model(torch.randn(10))
    loss = criterion(output, torch.randn(1))
    loss.backward()
    optimizer.step()  # 执行梯度更新

在上面的代码中，我们首先定义了一个简单的模型 MyModel，然后创建了一个模型实例 model。接着，定义了损失函数 criterion 和 Adam 优化器 optimizer，其中模型的参数通过 model.parameters() 方法传递给了优化器。在训练模型的过程中，我们需要在每次迭代前清零梯度（optimizer.zero_grad()），然后计算损失并反向传播（loss.backward()），最后执行梯度更新（optimizer.step()）。