딥러닝 파이토치 강좌, 그래프란

import torch

# 텐서 생성
x = torch.tensor([2.0], requires_grad=True)  # requires_grad=True로 설정하여 미분 가능하게 만듭니다.
y = x**2 + 3*x + 1  # 연산 수행

# 포워드 패스
print(f'y: {y.item()}')  # 결과 출력

# 백워드 패스
y.backward()  # y에 대한 x의 미분 계산

# 기울기 출력
print(f'기울기: {x.grad.item()}')  # x에 대한 기울기 출력
        

import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms

# 신경망 모델 정의
class SimpleNN(nn.Module):
    def __init__(self):
        super(SimpleNN, self).__init__()
        self.fc1 = nn.Linear(28 * 28, 128)  # 첫 번째 레이어
        self.fc2 = nn.Linear(128, 64)  # 두 번째 레이어
        self.fc3 = nn.Linear(64, 10)  # 출력 레이어

    def forward(self, x):
        x = x.view(-1, 28 * 28)  # 2D 이미지를 1D로 변환
        x = torch.relu(self.fc1(x))  # ReLU 활성화 함수
        x = torch.relu(self.fc2(x))
        x = self.fc3(x)  # 최종 출력
        return x

# 데이터 로드 및 전처리
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.5,), (0.5,))
])
train_data = datasets.MNIST(root='./data', train=True, download=True, transform=transform)
train_loader = torch.utils.data.DataLoader(dataset=train_data, batch_size=64, shuffle=True)

# 모델, 손실 함수, 옵티마이저 정의
model = SimpleNN()
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

# 훈련
num_epochs = 5
for epoch in range(num_epochs):
    for images, labels in train_loader:
        optimizer.zero_grad()  # 기울기 초기화
        outputs = model(images)  # 모델에 이미지 데이터 입력
        loss = criterion(outputs, labels)  # 손실 계산
        loss.backward()  # 역전파
        optimizer.step()  # 파라미터 업데이트

    print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}')