独立开发，substack顶级编辑

首先，我们将导入相关的包，并使用PyTorch创建一个简单的全连接神经网络。该全连接神经网络包含一个隐藏层。为了保证可复现性，我们还设置了一个手动随机种子。SEED = 42return x接下来，我们将设置超参数优化所需的标准组件。我们将执行以下步骤：1.下载FashionMNIST数据集。2.定义超参数搜索空间：我们定义(a)想要优化的超参数，以及(b)允许这些超参数取值的范围。在我们的例子中，我们将选择以下超参数：神经网络隐藏层大小——整数值。学习率——对数分布的浮点值。

PyTorch 的环境配置也很方便，各种开发版本都能向下兼容，不存在老版本的代码在新版本上无法使用的困扰，而且 PyTorch 跟 NumPy 的风格比较像，能轻易和 Python 生态集成起来，我们只需掌握 NumPy 和基本的深度学习概念即可上手，在网络搭建方面也是快捷又灵活。在这个部分，会结合深度学习模型训练的一系列流程，为你详解自动求导机制、搭建网络、更新模型参数、保存与加载模型、训练过程可视化、分布式训练等等模块，带你具体看看 PyTorch 能给我们提供怎样的帮助。张量（Tensor）