写一个gpu实现的多分类神经网络pytorch实现

以下是一个使用PyTorch实现的GPU多分类神经网络的代码示例：

import torch
import torch.nn as nn
import torch.optim as optim

# 定义神经网络模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(784, 500)
        self.fc2 = nn.Linear(500, 10)

    def forward(self, x):
        x = x.view(-1, 784)
        x = torch.relu(self.fc1(x))
        x = self.fc2(x)
        return x

# 加载MNIST数据集
train_loader = torch.utils.data.DataLoader(
    torchvision.datasets.MNIST('./data/', train=True, download=True,
                    transform=torchvision.transforms.Compose([
                        torchvision.transforms.ToTensor(),
                        torchvision.transforms.Normalize(
                            (0.1307,), (0.3081,))
                    ])),
    batch_size=64, shuffle=True)

# 实例化神经网络和优化器
net = Net().cuda()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.01, momentum=0.5)

# 训练神经网络
for epoch in range(10):
    running_loss = 0.0
    for i, data in enumerate(train_loader, 0):
        inputs, labels = data
        inputs, labels = inputs.cuda(), labels.cuda()
        optimizer.zero_grad()
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
        if i % 100 == 99:
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 100))
            running_loss = 0.0

print('Finished Training')

在上面的代码中，我们首先定义了一个名为“Net”的神经网络模型，其包含两个全连接层。然后我们加载了MNIST数据集，并将其分批次加载到训练器中。接下来，我们实例化了神经网络、损失函数和优化器。在每个训练周期中，我们迭代遍历每个数据批次，将输入和标签数据加载到GPU中，然后将输入数据传递给神经网络以获取输出。我们计算了损失函数并执行反向传播，最后更新模型参数以最小化损失。