现在有两个特征矩阵，2个特征矩阵的标签分别是1和0，现在已经把特征矩阵拼接，并且获得了数据集，而且把数据集分成为训练集，测试集，验证集，现在要构建一个包含3层全连接层的深度神经网络，用该神经网络预测该数据是正样本还是负样本（用pytorch实现）

好的，针对您的问题，以下是一个简单的 PyTorch 模型代码：

import torch.nn as nn

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(2, 16)
        self.fc2 = nn.Linear(16, 8)
        self.fc3 = nn.Linear(8, 1)

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

上述代码定义了一个包含三个全连接层的深度神经网络。第一个全连接层有 16 个神经元，第二个有 8 个神经元，第三个有 1 个神经元。输入层有 2 个节点，即输入的特征数为 2。使用 ReLU 作为激活函数，在最后一层使用 sigmoid 函数将输出值压缩到 0-1 范围内表示概率。

接下来，您需要定义损失函数和优化器，并训练模型：

import torch.optim as optim

# 定义损失函数
criterion = nn.BCELoss()

# 定义优化器
optimizer = optim.Adam(net.parameters(), lr=0.01)

# 训练模型
for epoch in range(100):
    for data in train_loader:
        inputs, labels = data
        optimizer.zero_grad()
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

在训练过程中，使用 `nn.BCELoss()` 作为损失函数，使用 Adam 优化器更新模型参数。这里假设您已经将数据集分成了训练集、测试集和验证集，并使用 PyTorch 的 DataLoader 加载数据进行训练。