1.Tensor操作
Tensor是PyTorch中最基本的数据结构，类似于NumPy的数组，但可以在GPU上运行加速计算。
示例：创建和操作Tensor
import torch# 创建一个零填充的Tensor
x = torch.zeros(3, 3)
print(x)# 加法操作
y = torch.ones(3, 3)
z = x + y
print(z)# 在GPU上创建Tensor
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
x = torch.zeros(3, 3, device=device)
print(x)
运行结果：
2. nn.Module和自定义模型
nn.Module是PyTorch中定义神经网络模型的基类，所有的自定义模型都应该继承自它。
示例：定义一个简单的全连接神经网络模型
import torch
import torch.nn as nn# 自定义模型类
class SimpleNet(nn.Module):def __init__(self):super(SimpleNet, self).__init__()self.fc = nn.Linear(10, 5) # 线性层：输入维度为10，输出维度为5def forward(self, x):x = self.fc(x)return x# 创建模型实例
model = SimpleNet()
print(model)
运行结果：
3. DataLoader和Dataset
DataLoader用于批量加载数据，Dataset定义了数据集的接口，自定义数据集需继承自它。
示例：加载自定义数据集
import torch
from torch.utils.data import Dataset, DataLoader# 自定义数据集类
class CustomDataset(Dataset):def __init__(self, data, targets):self.data = dataself.targets = targetsdef __len__(self):return len(self.data)def __getitem__(self, index):x = self.data[index]y = self.targets[index]return x, y# 假设有一些数据和标签
data = torch.randn(100, 10) # 100个样本，每个样本10维
targets = torch.randint(0, 2, (100,)) # 100个随机标签，0或1# 创建数据集实例
dataset = CustomDataset(data, targets)# 创建数据加载器
batch_size = 10
dataloader = DataLoader(dataset, batch_size=batch_size, shuffle=True)# 打印一个batch的数据
for batch in dataloader:inputs, labels = batchprint(inputs.shape, labels.shape)break
运行结果：
4. 优化器和损失函数
优化器用于更新模型参数以减少损失，损失函数用于计算预测值与实际值之间的差异。
示例：使用优化器和损失函数
import torch
import torch.nn as nn
import torch.optim as optim# 定义模型（假设已定义好）
model = SimpleNet()# 定义损失函数
criterion = nn.CrossEntropyLoss()# 定义优化器
optimizer = optim.Adam(model.parameters(), lr=0.001)# 前向传播、损失计算、反向传播和优化过程请参考前面完整示例的训练循环部分。
运行结果：
5. nn.functional中的函数
nn.functional提供了各种用于构建神经网络的函数，如激活函数、池化操作等。
示例：使用ReLU激活函数
import torch
import torch.nn.functional as F# 创建一个Tensor
x = torch.randn(3, 3)# 使用ReLU激活函数
output = F.relu(x)
print(output)
运行结果：
