我是PyTorch的新手。以下是一个使用nn模块训练简单单层模型的基本示例，示例中使用了随机数据（来自这里）

import torchN, D_in, H, D_out = 64, 1000, 100, 10x = torch.randn(N, D_in)y = torch.randn(N, D_out)model = torch.nn.Sequential(    torch.nn.Linear(D_in, H),    torch.nn.ReLU(),    torch.nn.Linear(H, D_out),)loss_fn = torch.nn.MSELoss(reduction='sum')optimizer = torch.optim.Adam(model.parameters(), lr=1e-4)for t in range(500):    y_pred = model(x)    loss = loss_fn(y_pred, y)    print(t, loss.item())    optimizer.zero_grad()    loss.backward()    optimizer.step()

据我所知，示例中的批量大小等于1，换句话说，只使用64个点中的一个点来计算梯度和更新参数。我的问题是：如何修改这个示例，以便以大于1的批量大小来训练模型？

回答：

实际上，N就是批量大小。所以你只需要修改N，它当前设置为64。因此，每个训练批次中包含64个大小/维度为D_in的向量。

我查看了你发布的链接，你也可以看看其中的评论 – 那里也有一些解释 🙂

# -*- coding: utf-8 -*-import numpy as np# N是批量大小；D_in是输入维度；# H是隐藏维度；D_out是输出维度。N, D_in, H, D_out = 64, 1000, 100, 10# 创建随机输入和输出数据x = np.random.randn(N, D_in)y = np.random.randn(N, D_out)# 随机初始化权重w1 = np.random.randn(D_in, H)w2 = np.random.randn(H, D_out)learning_rate = 1e-6for t in range(500):    # 前向传递：计算预测的y    h = x.dot(w1)    h_relu = np.maximum(h, 0)    y_pred = h_relu.dot(w2)    # 计算并打印损失    loss = np.square(y_pred - y).sum()    print(t, loss)    # 反向传播以计算w1和w2相对于损失的梯度    grad_y_pred = 2.0 * (y_pred - y)    grad_w2 = h_relu.T.dot(grad_y_pred)    grad_h_relu = grad_y_pred.dot(w2.T)    grad_h = grad_h_relu.copy()    grad_h[h < 0] = 0    grad_w1 = x.T.dot(grad_h)    # 更新权重    w1 -= learning_rate * grad_w1    w2 -= learning_rate * grad_w2