以下是使用RNN（循环神经网络）进行文本生成的简单示例代码：
```pythonimport torchimport torch.nn as nnimport torch.optim as optim
# 定义RNN模型类RNN(nn.Module): def __init__(self, input_size, hide_size, output_size): super(RNN, self).__init__()
self.hidden_size=隐藏大小
self.i2h=nn.Linear(输入大小+ 隐藏大小， 隐藏大小) self.i2o=nn.Linear(输入大小+ 隐藏大小， 输出大小) self.softmax=nn.LogSoftmax(dim=1)
defforward(self,input,hidden):combined=torch.cat((input,hidden),1)hidden=self.i2h(combined)output=self.i2o(combined)output=self.softmax(output)返回输出， 隐藏
def initHidden(self): return torch.zeros(1, self.hidden_size)
# 定义训练函数def train(input_tensor, target_tensor): hide=rnn.initHidden()
rnn.zero_grad() 损失=0
对于范围内的i(input_tensor.size(0)): 输出，隐藏=rnn(input_tensor[i], 隐藏) l=criteria(output, target_tensor[i]) 损失+=l
loss.backward() 优化器.step()
返回输出，loss.item()/input_tensor.size(0)
# 定义生成函数defgenerate(start_letter='A',predict_len=100):hidden=rnn.initHidden()input=torch.tensor(letterToIndex[start_letter.lower()]).view(1, -1)output_name=起始字母
对于范围（predict_len）:输出中的i，隐藏=rnn（输入，隐藏）topv，topi=output.topk（1）topi=topi [0] [0]如果topi==26:打破else: letter=indexToLetter [topi]输出名称+=字母输入=torch.tensor(letterToIndex[字母]).view(1, -1)
返回输出名称
#数据预处理all_letters='abcdefghijklmnopqrstuvwxyz'n_letters=len(all_letters)
letterToIndex={}indexToLetter={}对于i，枚举中的字母(all_letters): letterToIndex[letter]=i indexToLetter[i]=letter
# 构建RNN 模型n_hidden=128rnn=RNN(n_letters, n_hidden, n_letters)criterion=nn.NLLLoss()optimizer=optim.SGD(rnn.parameters(), lr=0.01)
# 在范围(1000):中训练epoch的模型输出，loss=train(input_tensor, target_tensor) if epoch % 100==99: print('Epoch: %d, Loss: %.4f' % (epoch + 1, loss))
# 生成文本print(generate('A', 1000))```
这是一个简单的字符级RNN 模型，用于生成一段文本。该模型使用一个循环神经网络层和两个全连接层。训练时，将每个字符作为输入，模型输出下一个字符的概率分布。训练过程中使用交叉熵损失函数和随机梯度下降优化器进行参数更新。生成文本时，给定起始字符，模型的输出概率分布用于随机选择下一个字符，并重复该过程，直到生成足够长度的文本。
上面的代码只是一个简单的例子，可以根据具体需要进行修改和扩展。例如，可以添加更多的RNN层、调整网络结构、改变输入输出层的大小等，以提高模型性能和生成效果。
