用pytorch写一个BP神经网络的代码

好的，以下是一个使用PyTorch实现的简单BP神经网络的代码示例：

import torch
import torch.nn as nn
import torch.optim as optim

# 定义网络结构
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(2, 5)
        self.fc2 = nn.Linear(5, 1)

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

# 定义数据和标签
X = torch.tensor([[0, 0], [0, 1], [1, 0], [1, 1]], dtype=torch.float)
y = torch.tensor([[0], [1], [1], [0]], dtype=torch.float)

# 实例化模型和损失函数
net = Net()
criterion = nn.MSELoss()
optimizer = optim.SGD(net.parameters(), lr=0.1)

# 训练模型
for epoch in range(10000):
    optimizer.zero_grad()
    outputs = net(X)
    loss = criterion(outputs, y)
    loss.backward()
    optimizer.step()
    if epoch % 1000 == 0:
        print('Epoch {}, Loss: {:.4f}'.format(epoch, loss.item()))

# 测试模型
with torch.no_grad():
    test_input = torch.tensor([[0, 0], [0, 1], [1, 0], [1, 1]], dtype=torch.float)
    test_output = net(test_input)
    print('Test Output:', test_output)

这个代码实现了一个简单的2层神经网络，输入层有2个节点，隐藏层有5个节点，输出层有1个节点。使用均方误差作为损失函数，使用随机梯度下降算法进行优化。通过训练，模型可以学习到异或运算的规律。最后，使用训练好的模型对测试数据进行预测，输出预测结果。