知識點回歸：

1. CPU性能的查看：看架構代際、核心數、線程數
2. GPU性能的查看：看顯存、看級別、看架構代際
3. GPU訓練的方法：數據和模型移動到GPU device上
4. 類的call方法：為什么定義前向傳播時可以直接寫作self.fc1(x)

import torch
import torch.nn as nn
import torch.optim as optim
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
import numpy as np# 仍然用4特征，3分類的鳶尾花數據集作為我們今天的數據集
# 加載鳶尾花數據集
iris = load_iris()
X = iris.data  # 特征數據
y = iris.target  # 標簽數據
# 劃分訓練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# # 打印下尺寸
# print(X_train.shape)
# print(y_train.shape)
# print(X_test.shape)
# print(y_test.shape)# 歸一化數據，神經網絡對于輸入數據的尺寸敏感，歸一化是最常見的處理方式
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test) #確保訓練集和測試集是相同的縮放# 將數據轉換為 PyTorch 張量，因為 PyTorch 使用張量進行訓練
# y_train和y_test是整數，所以需要轉化為long類型，如果是float32，會輸出1.0 0.0
X_train = torch.FloatTensor(X_train)
y_train = torch.LongTensor(y_train