pytorch中迭代训练的代码

以下是使用PyTorch进行迭代训练的示例代码：

import torch
import torch.nn as nn
import torch.optim as optim

# 定义模型
class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.fc1 = nn.Linear(10, 5)
        self.fc2 = nn.Linear(5, 1)

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

# 准备数据
train_data = torch.randn(100, 10)
train_labels = torch.randint(0, 2, (100, 1)).float()

# 初始化模型、损失函数和优化器
model = MyModel()
criterion = nn.BCELoss()
optimizer = optim.Adam(model.parameters(), lr=0.01)

# 迭代训练
num_epochs = 100
for epoch in range(num_epochs):
    # 前向传播
    outputs = model(train_data)
    loss = criterion(outputs, train_labels)

    # 反向传播和优化
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    # 打印训练进度
    if (epoch+1) % 10 == 0:
        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))

在这个示例中，我们首先定义了一个简单的模型 `MyModel`，它包含两个全连接层和一个激活函数。我们使用随机数据和标签来准备训练数据，然后定义损失函数为二元交叉熵损失，优化器为Adam。在每个epoch中，我们执行前向传播、计算损失、反向传播和优化。最后，我们使用 `print` 语句打印训练进度。