Python：torch 库高级用法举例和应用详解

import torch  # 导入torch库

# 创建一个2D张量，形状为3x2
tensor_a = torch.tensor([[1, 2], [3, 4], [5, 6]])  # 定义张量
print("张量 A:\n", tensor_a)  # 输出张量A

# 创建另一个2D张量，形状为2x3
tensor_b = torch.tensor([[10, 20, 30], [40, 50, 60]])  # 定义张量
print("张量 B:\n", tensor_b)  # 输出张量B

# 矩阵乘法
result = torch.mm(tensor_a, tensor_b)  # 对张量进行矩阵乘法
print("矩阵乘法结果:\n", result)  # 输出结果

import torch
import torch.nn as nn  # 导入神经网络模块

# 定义一个简单的前馈神经网络
class SimpleNN(nn.Module):
    def __init__(self):
        super(SimpleNN, self).__init__()  # 调用父类构造函数
        self.fc1 = nn.Linear(2, 2)  # 定义输入层到隐藏层的线性变换
        self.fc2 = nn.Linear(2, 1)  # 定义隐藏层到输出层的线性变换

    def forward(self, x):
        x = torch.relu(self.fc1(x))  # 激活函数
        x = self.fc2(x)  # 输出层
        return x

model = SimpleNN()  # 实例化模型
x = torch.tensor([[1.0, 2.0]])  # 输入数据
output = model(x)  # 模型推理
print("模型输出:\n", output)  # 输出结果

import torch.optim as optim  # 导入优化器模块

# 假设我们已定义了一个模型和损失函数
def train(model, criterion, optimizer):
    model.train()  # 设置模型为训练模式
    for epoch in range(100):  # 迭代100轮
        optimizer.zero_grad()  # 清除旧梯度
        inputs = torch.tensor([[1.0, 2.0]])  # 输入数据
        target = torch.tensor([[1.0]])  # 目标输出
        output = model(inputs)  # 模型前向传播
        loss = criterion(output, target)  # 计算损失
        loss.backward()  # 反向传播
        optimizer.step()  # 更新参数
        print(f"Epoch {epoch+1}: Loss = {loss.item()}")  # 输出每轮损失

model = SimpleNN()  # 实例化模型
criterion = nn.MSELoss()  # 定义均方误差损失函数
optimizer = optim.SGD(model.parameters(), lr=0.01)  # 定义优化器
train(model, criterion, optimizer)  # 开始训练