self.encoder = nn.Sequential(nn.Linear(65, 32, bias=False), nn.BatchNorm1d(32), nn.ReLU(inplace=True), # first layer nn.Linear(32, 32, bias=False), nn.BatchNorm1d(32), nn.ReLU(inplace=True), # second layer nn.Linear(32, 65, bias=False), nn.BatchNorm1d(65, affine=False)) # output layer # build a 2-layer predictor self.predictor = nn.Sequential(nn.Linear(65, 32, bias=False), nn.BatchNorm1d(32), nn.ReLU(inplace=True), # hidden layer nn.Linear(32, 65)) # output layer 我的网络设计成这样请帮我写一个测试的代码

好的，下面是一个简单的测试代码，你可以根据自己的需求进行修改：

import torch
from torch import nn

# 构建模型
class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.encoder = nn.Sequential(
            nn.Linear(65, 32, bias=False),
            nn.BatchNorm1d(32),
            nn.ReLU(inplace=True),
            nn.Linear(32, 32, bias=False),
            nn.BatchNorm1d(32),
            nn.ReLU(inplace=True),
            nn.Linear(32, 65, bias=False),
            nn.BatchNorm1d(65, affine=False)
        )
        
        self.predictor = nn.Sequential(
            nn.Linear(65, 32, bias=False),
            nn.BatchNorm1d(32),
            nn.ReLU(inplace=True),
            nn.Linear(32, 65)
        )

    def forward(self, x):
        x = self.encoder(x)
        x = self.predictor(x)
        return x

# 测试模型
model = MyModel()
input_data = torch.randn(10, 65) # 生成10个样本，每个样本包含65个特征
output = model(input_data)
print(output.shape) # 输出为(10, 65)，即10个样本，每个样本有65个特征

注意：这里的测试代码仅为示例，实际应用中还需要根据任务需要进行修改和调整。