阅读量:0
在PyTorch中，可以使用torch.optim模块中的优化器来优化模型的参数。以下是一个示例代码，展示了如何使用优化器来训练一个简单的神经网络模型：
import torch import torch.nn as nn import torch.optim as optim # 定义一个简单的神经网络模型 class SimpleModel(nn.Module): def __init__(self): super(SimpleModel, self).__init__() self.fc = nn.Linear(10, 1) def forward(self, x): return self.fc(x) # 创建模型实例 model = SimpleModel() # 定义优化器，这里使用随机梯度下降优化器 optimizer = optim.SGD(model.parameters(), lr=0.01) # 定义损失函数，这里使用均方误差损失函数 criterion = nn.MSELoss() # 模拟一些输入数据和标签 inputs = torch.randn(1, 10) labels = torch.randn(1, 1) # 清空梯度 optimizer.zero_grad() # 前向传播 outputs = model(inputs) # 计算损失 loss = criterion(outputs, labels) # 反向传播 loss.backward() # 更新参数 optimizer.step() 在上面的示例中，我们首先定义了一个简单的神经网络模型 SimpleModel，然后创建了模型实例，并定义了优化器，损失函数以及输入数据和标签。接着，我们清空了优化器的梯度，进行了前向传播和损失计算，然后进行了反向传播和参数更新。通过多次迭代这个过程，就可以训练模型并优化参数。
