我希望你充当神经网络开发人员的角色，使用Python和Pytorch库，按照我的需求搭建神经网络模型并进行训练，我的需求是“编写一个包含两个隐藏层的MLP神经网络，输入层的大小为784，隐藏层的大小为100和200，输出层的大小为10。我们使用ReLU作为激活函数，在训练时，使用交叉熵损失函数，优化器选择SGD，初始学习率为0.001，迭代次数为10，batchsize为64”

好的，我明白了你的需求。以下是使用和PyTorch库搭和训练MLP经网络的代码：

import torchimport torch.nn as nn
import torch.optim as optim# 定义MLP神经网络型
class MLP(nn.Module):
    def ____(self):
        super(MLP, selfinit__()
        self.fc1 = nn.Linear(, 100)
        self.fc2 =.Linear(100, 200)
        self.fc3 = nn.Linear(200, 10)
        self.relu = nn.ReLU()

    def forward(self, x):
        x = self.relu(self.fc1(x))
        x = self.relu(self.fc2(x))
        x = self.fc3(x)
        return x

# 创建MLP模型实例
model = MLP()

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.001)

# 进行训练
num_epochs = 10
batch_size = 64

for epoch in range(num_epochs):
    # 在每个epoch开始时，将训练数据集打乱顺序
    indices = torch.randperm(len(train_dataset))
    train_dataset = train_dataset[indices]
    train_labels = train_labels[indices]

    for i in range(0, len(train_dataset), batch_size):
        # 获取当前批次的训练数据和标签
        inputs = train_dataset[i:i+batch_size]
        labels = train_labels[i:i+batch_size]

        # 前向传播
        outputs = model(inputs)

        # 计算损失
        loss = criterion(outputs, labels)

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

    # 每个epoch结束后输出训练信息
    print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))

请注意，这只是一个示例代码，你需要将其适配到你的数据集和训练过程中。希望对你有帮助！如果有任何疑问，请随时提问。