PyTorch库的解析

def create_tensor(shape):    """    创建一个形状为 `shape` 的随机张量，使用正态分布填充。
    参数:    shape (tuple): 张量的形状。
    返回:    torch.Tensor: 生成的随机张量。    """    return torch.randn(*shape)

# 示例：创建张量tensor1 = create_tensor((2, 3))  # 创建一个 (2, 3) 形状的张量tensor2 = create_tensor((2, 3))  # 修正 tensor2 的形状以匹配 tensor1
# 打印张量print(tensor1)print(tensor2)

# 2. 函数：执行张量运算def tensor_operations(ten1, ten2):    """    对两个张量执行加法、元素乘法和矩阵乘法。        参数:    ten1 (torch.Tensor): 第一个张量。    ten2 (torch.Tensor): 第二个张量，与 ten1 形状兼容。        返回:    tuple[torch.Tensor]: 包含加法、元素乘法和矩阵乘法的结果张量。    """    # 加法    add_edition = torch.cat([ten1, ten2], dim=1)  # 沿着第一个维度连接张量    # 乘法（元素级别）    mun = ten1 * ten2    # 矩阵乘法    matriculate = torch.matmul(ten1, ten2.t())  # 使用转置的 ten2 进行矩阵乘法
    return add_edition, mun, matriculate

# 示例：张量运算addition, multiplication, matrix_mul = tensor_operations(tensor1, tensor2)print("Addition:\n", addition)print("\nMultiplication (Element-wise):\n", multiplication)print("\nMatrix Multiplication:\n", matrix_mul)

# 3. 函数：计算张量的梯度def gradient_computation(tensors):    """    计算张量的梯度。
    参数:    tensors (torch.Tensor): 需要计算梯度的张量。
    返回:    torch.Tensor: 张量的梯度。    """    if not isinstance(tensors, torch.Tensor):        raise ValueError("Gradient computation expects a single Tensor, got a list.")    tensors.requires_grad_()    # 计算平方    result = tensors ** 2    # 转换为标量（为了计算梯度）    result = result.sum()    # 计算梯度    result.backward()
    return tensors.grad

# 示例：计算梯度ten = torch.tensor([1.0, 2.0], requires_grad=True)grad = gradient_computation(ten)print(grad)

# 4. 函数：创建简单的全连接网络def create_network():    """    创建一个简单的全连接神经网络，包括两个线性层和一个 ReLU 激活函数。
    返回:    nn.Module: 创建的神经网络模型。    """    net = nn.Sequential(        nn.Linear(2, 10),  # 输入层到隐藏层        nn.ReLU(),  # 激活函数        nn.Linear(10, 1)  # 隐藏层到输出层    )    return net

# 创建网络实例network = create_network()

# 5. 函数：训练网络def train_network(work, in_put, target, learning_rate):    """    训练网络模型。
    参数:    work (nn.Module): 待训练的网络模型。    in_put (torch.Tensor): 输入数据。    target (torch.Tensor): 目标数据。    learning_rate (float): 学习率。
    返回:    float: 训练后的损失值。    """    optimizer = torch.optim.SGD(work.parameters(), lr=learning_rate)    # 前向传播    outputs = work(in_put)    # 计算损失    los = nn.MSELoss()(outputs, target)    # 反向传播和优化    optimizer.zero_grad()    los.backward()    optimizer.step()
    return los.item()

# 示例：训练网络inputs = torch.randn(1, 2)  # 随机输入数据targets = torch.randn(1, 1)  # 随机目标数据loss = train_network(network, inputs, targets, learning_rate=0.01)print("Loss:", loss)