优化器根据梯度调整参数，以达到降低误差
import torch.optim
import torchvision
from torch import nn
from torch.nn import Sequential, Conv2d, MaxPool2d, Flatten, Linear
from torch.utils.data import DataLoader# 加载CIFAR10测试数据集，设置transform将图像转换为Tensor
dataset = torchvision.datasets.CIFAR10("./data", train=False, transform=torchvision.transforms.ToTensor(),download=True)
# 创建数据加载器，设置批量大小为64
dataloader = DataLoader(dataset, batch_size=64)# 定义卷积神经网络模型
class TY(nn.Module):def __init__(self):super(TY, self).__init__()# 构建网络结构：3个卷积层+池化层组合，2个全连接层self.model1 = Sequential(Conv2d(3, 32, 5, padding=2), # 输入3通道，输出32通道，卷积核5x5MaxPool2d(2), # 最大池化，步长2Conv2d(32, 32, 5, padding=2), # 第二层卷积MaxPool2d(2), # 第二次池化Conv2d(32, 64, 5, padding=2), # 第三层卷积MaxPool2d(2), # 第三次池化Flatten(), # 将多维张量展平为向量Linear(1024, 64), # 全连接层，输入1024维，输出64维Linear(64, 10), # 输出层，10个类别对应10个输出)def forward(self, x):# 定义前向传播路径x = self.model1(x)return x# 定义损失函数（交叉熵损失适用于多分类问题）
loss = nn.CrossEntropyLoss()
# 实例化模型
ty = TY()
# 定义优化器（随机梯度下降），设置学习率为0.01
optim = torch.optim.SGD(ty.parameters(), lr=0.01)# 训练20个完整轮次
for epoch in range(20):running_loss = 0.0 # 初始化本轮累计损失# 遍历数据加载器中的每个批次for data in dataloader:imgs, targets = data # 获取图像和标签outputs = ty(imgs) # 前向传播result_loss = loss(outputs, targets) # 计算损失optim.zero_grad() # 梯度清零，防止累积result_loss.backward() # 反向传播计算梯度optim.step() # 更新模型参数running_loss += result_loss # 累加损失值# 打印本轮训练的累计损失print(f"Epoch {epoch+1}, Loss: {running_loss}")
