AI入门的pytorch代码，举例子

PyTorch 是一个流行的开源机器学习库，广泛用于计算机视觉和自然语言处理等应用。以下是使用 PyTorch 进行简单线性回归的入门代码示例：

import torch
import torch.nn as nn

# 假设我们有一些数据点
x_train = torch.tensor([[1.0], [2.0], [3.0], [4.0]], dtype=torch.float32)
y_train = torch.tensor([[2.0], [4.0], [6.0], [8.0]], dtype=torch.float32)

# 定义一个简单的线性模型
class LinearRegressionModel(nn.Module):
    def __init__(self):
        super(LinearRegressionModel, self).__init__()
        self.linear = nn.Linear(1, 1)  # 1个输入特征，1个输出特征

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

# 实例化模型
model = LinearRegressionModel()

# 定义损失函数（均方误差）
criterion = nn.MSELoss()

# 定义优化器
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

# 训练模型
num_epochs = 100
for epoch in range(num_epochs):
    # 前向传播
    outputs = model(x_train)
    loss = criterion(outputs, y_train)

    # 反向传播和优化
    optimizer.zero_grad()  # 清除之前的梯度
    loss.backward()  # 反向传播，计算当前梯度
    optimizer.step()  # 根据梯度更新参数

    if (epoch+1) % 10 == 0:
        print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}')

# 测试模型
with torch.no_grad():  # 测试时不需要计算梯度
    predicted = model(x_train)
    print(f'Predictions: {predicted}')

# 打印最终参数
print(f'Final learned weights: {model.linear.weight}')
print(f'Final learned bias: {model.linear.bias}')

这段代码首先导入了必要的 PyTorch 模块，然后创建了一些简单的输入数据 x_train 和对应的目标输出 y_train。接着定义了一个线性回归模型 LinearRegressionModel，该模型包含一个线性层 nn.Linear(1, 1)。然后定义了损失函数 MSELoss 和优化器 SGD。

在训练循环中，我们执行了前向传播、计算损失、执行反向传播并更新模型参数的步骤。每训练10个周期，我们打印一次当前的损失值。训练完成后，我们使用 with torch.no_grad() 语句测试模型的预测结果，并打印出模型学到的权重和偏置。

这是一个非常基础的 PyTorch 入门示例，适合初学者理解 PyTorch 的基本概念和操作流程。