在PyTorch中选择损失函数是训练模型中非常重要的一步。损失函数用于衡量模型在训练过程中的表现，通常是通过计算模型的预测值与真实标签之间的差异来衡量的。

PyTorch提供了许多常用的损失函数，比如均方差损失函数（Mean Squared Error）、交叉熵损失函数（Cross Entropy）等。选择合适的损失函数取决于你的问题的性质和数据的类型。

下面是一个简单的示例，展示如何在PyTorch中选择使用均方差损失函数：

import torch
import torch.nn as nn
import torch.optim as optim

# 创建模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc = nn.Linear(1, 1)  # 输入和输出的维度都是1

    def forward(self, x):
        return self.fc(x)

model = Net()

# 定义损失函数
criterion = nn.MSELoss()

# 定义优化器
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 准备数据
x = torch.randn(100, 1)
y = 3*x + 2 + 0.4*torch.randn(100, 1)  # 构造一个简单的线性关系的数据

# 训练模型
for epoch in range(100):
    optimizer.zero_grad()
    output = model(x)
    loss = criterion(output, y)
    loss.backward()
    optimizer.step()

    if epoch % 10 == 0:
        print('Epoch %d, Loss: %.4f' % (epoch, loss.item()))

在上面的示例中，我们首先定义了一个简单的模型Net，然后选择了均方差损失函数nn.MSELoss()。在训练过程中，我们计算模型的预测值和真实标签之间的均方差，并通过反向传播更新模型的参数。最后打印出每个epoch的损失值。

除了均方差损失函数外，PyTorch还提供了许多其他损失函数，具体选择哪一个要根据具体的问题和数据的性质来定。在选择损失函数时，可以参考PyTorch官方文档来了解每个损失函数的用法和适用范围。