python pytorch

# 导入 PyTorch 库
import torch
import torch.nn as nn
import torch.optim as optim

# 定义一个简单的神经网络
class SimpleNet(nn.Module):
    def __init__(self):
        super(SimpleNet, self).__init__()
        self.fc1 = nn.Linear(784, 128)  # 输入层到隐藏层
        self.fc2 = nn.Linear(128, 64)   # 隐藏层到隐藏层
        self.fc3 = nn.Linear(64, 10)    # 隐藏层到输出层

    def forward(self, x):
        x = torch.relu(self.fc1(x))  # 使用 ReLU 激活函数
        x = torch.relu(self.fc2(x))
        x = self.fc3(x)
        return x

# 初始化模型、损失函数和优化器
model = SimpleNet()
criterion = nn.CrossEntropyLoss()  # 分类任务常用的交叉熵损失
optimizer = optim.Adam(model.parameters(), lr=0.001)  # Adam 优化器

# 创建一些虚拟数据 (假设是手写数字识别任务，输入大小为 784)
inputs = torch.randn(64, 784)  # 64 是批量大小
labels = torch.randint(0, 10, (64,))  # 假设标签是 0 到 9 的整数

# 训练过程
model.train()
optimizer.zero_grad()  # 清空之前的梯度
outputs = model(inputs)  # 前向传播
loss = criterion(outputs, labels)  # 计算损失
loss.backward()  # 反向传播
optimizer.step()  # 更新参数

print(f"Loss: {loss.item()}")  # 打印损失值

解释说明：

1. 导入库：我们首先导入了 PyTorch 的核心库，包括 torch, torch.nn 和 torch.optim。
2. 定义模型：创建了一个简单的全连接神经网络 SimpleNet，它有三层：输入层（784 维），两个隐藏层（128 维和 64 维），以及输出层（10 维）。
3. 前向传播：在 forward 方法中，定义了数据如何通过网络，使用 ReLU 激活函数。
4. 初始化模型、损失函数和优化器：我们选择了交叉熵损失函数和 Adam 优化器。
5. 创建虚拟数据：为了演示，我们生成了一些随机的输入和标签。
6. 训练过程：包括清空梯度、前向传播、计算损失、反向传播和更新参数。
7. 打印损失：最后打印出损失值以检查模型的表现。

希望这段代码能帮助你理解如何使用 PyTorch 构建和训练一个简单的神经网络。