给我一个dp神经网络的非线性拟合代码

以下是一个使用PyTorch实现的简单的DP神经网络非线性拟合代码：

import torch
import torch.nn as nn
import numpy as np
import matplotlib.pyplot as plt

# 生成训练数据
x = np.linspace(-1, 1, 100)
y = np.sin(x * np.pi)

# 转换数据类型
x = torch.from_numpy(x).float()
y = torch.from_numpy(y).float()

# 定义神经网络模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(1, 10)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(10, 1)

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

# 初始化模型
net = Net()

# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = torch.optim.SGD(net.parameters(), lr=0.01)

# 训练模型
for epoch in range(1000):
    # 前向传播
    output = net(x)
    loss = criterion(output, y)

    # 反向传播和优化
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    # 打印损失值
    if epoch % 100 == 0:
        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, 1000, loss.item()))

# 对模型进行预测
predicted = net(x).detach().numpy()

# 绘制图像
plt.plot(x.numpy(), y.numpy(), 'ro', label='Original data')
plt.plot(x.numpy(), predicted, label='Fitted line')
plt.legend()
plt.show()

这个代码使用了一个两层的全连接神经网络，其中第一层有10个神经元，使用ReLU激活函数。训练数据是一个正弦函数，通过1000次迭代来拟合这个函数。最后，使用训练好的模型对整个数据集进行预测，并将预测结果与原始数据绘制在同一个图像上。