在PyTorch中，复数L2正则化可以通过在模型的损失函数中添加对权重的正则化项来实现。L2正则化是一种常见的正则化方法，它通过将权重的平方和添加到损失函数中来惩罚模型的复杂性。 下面是一个示例代码，演示如何在PyTorch中使用复数L2正则化： ```python import torch import torch.nn as nn import torch.optim as optim # 定义模型 class MyModel(nn.Module): def __init__(self): super(MyModel, self).__init__() self.linear=nn.Linear(10, 1) def forward(self, x): return self.linear(x) model=MyModel() # 定义损失函数和优化器 criterion=nn.MSELoss() optimizer=optim.SGD(model.parameters(), lr=0.01) # 定义L2正则化的权重衰减系数 weight_decay=0.001 # 训练循环 for epoch in range(num_epochs): # 前向传播 outputs=model(inputs) loss=criterion(outputs, labels) # 添加L2正则化项 l2_regularization=torch.tensor(0.) for param in model.parameters(): l2_regularization +=torch.norm(param, p=2) # 计算参数的L2范数 loss +=weight_decay * l2_regularization # 反向传播和优化 optimizer.zero_grad() loss.backward() optimizer.step() ``` 在上述示例中，我们首先定义了一个简单的模型 `MyModel`，然后定义了损失函数 `nn.MSELoss()` 和优化器 `optim.SGD()`。接下来，我们使用一个循环来执行训练过程。在每个训练步骤中，我们计算模型的输出并计算损失。然后，我们通过遍历模型的参数来计算L2正则化项，并将其添加到损失函数中。最后，我们执行反向传播和优化步骤，更新模型的参数。 通过这种方式，我们可以在PyTorch中使用复数L2正则化来惩罚模型的复杂性，并帮助提高泛化能力。