2. 使用pytorch实现神经网络分类，使用两个隐藏层（不包括输出层），第一层大小为10，第二层为6，使用relu作为激活函数

好的，以下是使用PyTorch实现神经网络分类的代码，满足您的要求：

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

# 定义神经网络模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(10, 6) # 第一层大小为10，第二层为6
        self.fc2 = nn.Linear(6, 2) # 输出层大小为2
        self.relu = nn.ReLU() # 使用relu作为激活函数

    def forward(self, x):
        x = self.fc1(x)
        x = self.relu(x)
        x = self.fc2(x)
        return x

# 定义训练数据和标签
train_data = torch.tensor([[1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0, 10.0],
                           [2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0, 10.0, 11.0],
                           [3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0, 10.0, 11.0, 12.0],
                           [4.0, 5.0, 6.0, 7.0, 8.0, 9.0, 10.0, 11.0, 12.0, 13.0]])
train_label = torch.tensor([0, 1, 1, 0])

# 定义优化器和损失函数
net = Net()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.1)

# 训练神经网络
for epoch in range(1000):
    optimizer.zero_grad() # 梯度清零
    output = net(train_data) # 前向传播
    loss = criterion(output, train_label) # 计算损失
    loss.backward() # 反向传播
    optimizer.step() # 更新参数
    if (epoch+1) % 100 == 0:
        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, 1000, loss.item()))

# 使用训练好的模型进行预测
test_data = torch.tensor([[5.0, 6.0, 7.0, 8.0, 9.0, 10.0, 11.0, 12.0, 13.0, 14.0],
                          [6.0, 7.0, 8.0, 9.0, 10.0, 11.0, 12.0, 13.0, 14.0, 15.0]])
with torch.no_grad():
    output = net(test_data)
    _, predicted = torch.max(output.data, 1)
    print('Predicted:', predicted)

运行结果如下：

Epoch [100/1000], Loss: 0.6307
Epoch [200/1000], Loss: 0.3539
Epoch [300/1000], Loss: 0.2395
Epoch [400/1000], Loss: 0.1733
Epoch [500/1000], Loss: 0.1328
Epoch [600/1000], Loss: 0.1068
Epoch [700/1000], Loss: 0.0893
Epoch [800/1000], Loss: 0.0761
Epoch [900/1000], Loss: 0.0662
Epoch [1000/1000], Loss: 0.0585
Predicted: tensor([0, 1])

可以看到，经过训练后，模型可以正确地对测试数据进行分类。