1.创建一些随机数据，并将其转换为Tensor类型 随机数据代码: np.random.seed(0) X = np.random.randn(100, 2) Y = np.zeros((100,)) Y[X[:,0] + X[:,1] > 0] = 1 2.定义一个逻辑回归模型（使用nn.Linear作为线性层，使用torch.sigmoid作为激活函数）； 3.定义损失函数（使用二元交叉熵损失函数）和优化器（使用随机梯度下降法）； 4.将模型训练指定轮数，每轮进行前向传播、反向传播和参数更新，并输出损失函数值； 5.输出模型参数并可视化结果。

好的，以下是代码实现：

import torch
import numpy as np

# 创建随机数据
np.random.seed(0)
X = np.random.randn(100, 2)
Y = np.zeros((100,))
Y[X[:,0] + X[:,1] > 0] = 1

# 转换数据为Tensor类型
X = torch.tensor(X).float()
Y = torch.tensor(Y).float()

# 定义逻辑回归模型
class LogisticRegression(torch.nn.Module):
    def __init__(self, input_size):
        super(LogisticRegression, self).__init__()
        self.linear = torch.nn.Linear(input_size, 1)
        self.sigmoid = torch.nn.Sigmoid()

    def forward(self, x):
        x = self.linear(x)
        x = self.sigmoid(x)
        return x

# 实例化模型
model = LogisticRegression(2)

# 定义损失函数和优化器
criterion = torch.nn.BCELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.1)

# 训练模型
num_epochs = 100
for epoch in range(num_epochs):
    # 前向传播
    outputs = model(X)

    # 计算损失函数值
    loss = criterion(outputs, Y)
    print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))

    # 反向传播和参数更新
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

# 输出模型参数
print('Model parameters:')
for name, param in model.named_parameters():
    if param.requires_grad:
        print(name, param.data)

# 可视化结果
import matplotlib.pyplot as plt
plt.scatter(X[:, 0], X[:, 1], c=Y)
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
xx, yy = torch.meshgrid(torch.linspace(x_min, x_max, 100), torch.linspace(y_min, y_max, 100))
Z = model(torch.cat((xx.reshape(-1,1), yy.reshape(-1,1)), dim=1)).detach().reshape(xx.shape)
plt.contour(xx, yy, Z, levels=[0.5])
plt.show()

运行代码后，会输出每轮训练的损失函数值和最终的模型参数，最后会可视化结果。