在PyTorch中進行模型無監督學習通常涉及訓練一個自編碼器或生成對抗網絡（GAN）等模型。下面是一個簡單的示例，展示如何使用PyTorch訓練一個簡單的自編碼器：

import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader
from torchvision import datasets, transforms

# 定義一個簡單的自編碼器模型
class Autoencoder(nn.Module):
    def __init__(self):
        super(Autoencoder, self).__init__()
        self.encoder = nn.Sequential(
            nn.Linear(784, 128),
            nn.ReLU(),
            nn.Linear(128, 64),
            nn.ReLU()
        )
        
        self.decoder = nn.Sequential(
            nn.Linear(64, 128),
            nn.ReLU(),
            nn.Linear(128, 784),
            nn.Sigmoid()
        )
    
    def forward(self, x):
        x = self.encoder(x)
        x = self.decoder(x)
        return x

# 加載MNIST數據集
transform = transforms.Compose([transforms.ToTensor()])
train_dataset = datasets.MNIST(root='./data', train=True, transform=transform, download=True)
train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)

# 初始化模型和優化器
model = Autoencoder()
criterion = nn.MSELoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

# 訓練模型
num_epochs = 10
for epoch in range(num_epochs):
    for data in train_loader:
        img, _ = data
        img = img.view(img.size(0), -1)
        
        optimizer.zero_grad()
        recon = model(img)
        loss = criterion(recon, img)
        loss.backward()
        optimizer.step()
    
    print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item()}')

# 使用訓練好的模型重建輸入圖像
test_img, _ = next(iter(train_loader))
test_img = test_img.view(test_img.size(0), -1)
output_img = model(test_img)

在上面的示例中，我們首先定義了一個簡單的自編碼器模型，然后加載了MNIST數據集并初始化了模型和優化器。接下來，我們訓練模型并輸出每個epoch的損失值。最后，我們使用訓練好的模型對輸入圖像進行重建。你可以根據自己的需求和數據集來調整模型結構和超參數，以獲得更好的無監督學習效果。