Python是深度学习领域最常用的编程语言之一，因为它具有丰富的库和框架，如TensorFlow和PyTorch

Python是深度学习领域最常用的编程语言之一，因为它具有丰富的库和框架，如TensorFlow和PyTorch，可以方便地构建和训练深度学习模型。以下是一个简单的例子，展示了如何使用PyTorch来构建和训练一个简单的全连接神经网络。

首先，你需要安装PyTorch。你可以在其官方网站上找到安装指南：<https://pytorch.org/>

安装完成后，你可以开始编写代码。以下是一个使用PyTorch构建和训练一个简单全连接神经网络的例子：

```python

import torch

import torch.nn as nn

import torch.optim as optim

from torch.utils.data import DataLoader, TensorDataset

# 设定随机种子以便结果复现

torch.manual_seed(0)

# 创建简单的数据集

x_train = torch.randn(100, 1)

y_train = x_train + 3 * torch.rand(100, 1)

# 创建数据加载器

train_dataset = TensorDataset(x_train, y_train)

train_loader = DataLoader(dataset=train_dataset, batch_size=32, shuffle=True)

# 定义模型

class Net(nn.Module):

    def __init__(self):

        super(Net, self).__init__()

        self.fc = nn.Linear(1, 1)  # 全连接层，输入维度为1，输出维度为1

    def forward(self, x):

        out = self.fc(x)

        return out

model = Net()

# 定义损失函数和优化器

criterion = nn.MSELoss()  # 均方误差损失函数

optimizer = optim.SGD(model.parameters(), lr=0.01)  # 随机梯度下降优化器，学习率为0.01

# 训练模型

num_epochs = 100  # 训练轮数

for epoch in range(num_epochs):

    for i, (inputs, labels) in enumerate(train_loader):

        # 前向传播

        outputs = model(inputs)

        loss = criterion(outputs, labels)

        # 反向传播和优化

        optimizer.zero_grad()  # 清空梯度

        loss.backward()  # 反向传播计算梯度

        optimizer.step()  # 更新权重

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

# 测试模型

with torch.no_grad():

    test_input = torch.randn(1, 1)

    prediction = model(test_input)

    print('Prediction: {}'.format(prediction.item()))

```

在这个例子中，我们首先创建了一个简单的线性数据集，然后定义了一个简单的全连接神经网络模型。我们使用了均方误差作为损失函数，并使用了随机梯度下降作为优化器。然后，我们进行了100轮的训练，并在每轮结束后打印出当前的损失。最后，我们使用训练好的模型对一个随机输入进行预测，并打印出预测结果。

请注意，这只是一个非常简单的例子，实际的深度学习模型可能会更复杂，并且需要更多的数据和计算资源来训练。此外，还有很多其他的深度学习框架和库可供选择，如TensorFlow、Keras、PyTorch等，你可以根据自己的需求选择适合的框架。