利用pytorch搭建神经网络，利用sigmoid函数作激活函数，实现二分类任务

好的，以下是一个简单的二分类任务的神经网络的搭建过程：

import torch
import torch.nn as nn

class Net(nn.Module):
    def __init__(self, input_size):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(input_size, 1) # 输入层到输出层的全连接层
        self.sigmoid = nn.Sigmoid() # sigmoid函数作为激活函数

    def forward(self, x):
        out = self.fc1(x)
        out = self.sigmoid(out)
        return out

在这个示例中，我们定义了一个名为`Net`的神经网络模型，该模型包含一个输入层和一个输出层。 在`__init__`函数中，我们定义了一个全连接层`fc1`，它将输入的大小`input_size`映射到一个输出大小为1的标量。我们还定义了一个`sigmoid`函数作为激活函数。在`forward`函数中，我们首先将输入`x`传递给全连接层`fc1`，然后将其传递给`sigmoid`激活函数。最后，我们将输出返回给调用者。

接下来，我们可以使用这个模型来训练二分类任务。例如，我们可以使用二元交叉熵损失函数和随机梯度下降优化器来训练模型：

criterion = nn.BCELoss() # 二元交叉熵损失函数
optimizer = torch.optim.SGD(net.parameters(), lr=0.1) # 随机梯度下降优化器

for epoch in range(num_epochs):
    for i, (inputs, labels) in enumerate(train_loader):
        optimizer.zero_grad()
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

在这个示例中，我们使用了一个名为`BCELoss`的二元交叉熵损失函数。我们还定义了一个`SGD`优化器，它使用随机梯度下降算法来更新模型参数。在训练循环中，我们首先将优化器的梯度清零，然后将输入`inputs`传递给模型并得到输出`outputs`。我们将输出和标签`labels`传递给损失函数，并计算出损失。然后我们通过调用`backward`函数计算梯度，并使用优化器的`step`方法来更新模型参数。

当训练完成后，我们可以使用模型对新数据进行预测：

outputs = net(test_inputs)
predictions = (outputs > 0.5).float() # 将输出转换为二元标签

在这个示例中，我们将测试数据`test_inputs`传递到模型中并得到输出`outputs`。我们将输出二元化为标签，如果输出大于0.5，则标签为1，否则为0。