#5定义一个神经网络模型 class Net(nn.Module): def __init__(self,in_dim,n_hidden_1,n_hidden_2,out_dim): super(Net,self).__init__() self.layer1=nn.Sequential(nn.Linear(in_dim,n_hidden_1),nn.ReLU(True)) self.layer2=nn.Sequential(nn.Linear(n_hidden_1,n_hidden_2),nn.ReLU(True)) self.layer3=nn.Linear(n_hidden_2,out_dim) #最后一层接Softmax所以不需要ReLU激活 def forward(self,x): x=self.layer1(x) x=self.layer2(x) x=self.layer3(x) return x # Sequential() 即相当于把多个模块按顺序封装成一个模块。将上面神经网络模型修改，增加测试集正确率

为了增加测试集的正确率，你可以在神经网络模型中添加一些正则化、dropout、批标准化等技术，同时也可以对超参数进行调整，比如学习率、训练轮数等。以下是修改后的代码示例：

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

class Net(nn.Module):
    def __init__(self,in_dim,n_hidden_1,n_hidden_2,out_dim):
        super(Net,self).__init__() 
        self.layer1=nn.Sequential(
            nn.Linear(in_dim,n_hidden_1),
            nn.BatchNorm1d(n_hidden_1),
            nn.ReLU(True),
            nn.Dropout(0.5)
        )
        self.layer2=nn.Sequential(
            nn.Linear(n_hidden_1,n_hidden_2),
            nn.BatchNorm1d(n_hidden_2),
            nn.ReLU(True),
            nn.Dropout(0.5)
        )
        self.layer3=nn.Linear(n_hidden_2,out_dim)

    def forward(self,x):
        x=self.layer1(x)
        x=self.layer2(x)
        x=self.layer3(x)
        return x

net = Net(in_dim, n_hidden_1, n_hidden_2, out_dim)
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(net.parameters(), lr=0.001)

for epoch in range(n_epochs):
    for i, (inputs, labels) in enumerate(train_loader):
        optimizer.zero_grad()
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
    
    # 在每个 epoch 结束时计算测试集的正确率
    correct = 0
    total = 0
    with torch.no_grad():
        for inputs, labels in test_loader:
            outputs = net(inputs)
            _, predicted = torch.max(outputs.data, 1)
            total += labels.size(0)
            correct += (predicted == labels).sum().item()
    test_acc = 100 * correct / total
    print('Epoch %d, Test Acc: %.2f%%' % (epoch+1, test_acc))

在这个例子中，我们添加了批标准化、dropout，同时使用了Adam优化器和交叉熵损失函数。在每个 epoch 结束时，我们计算了测试集的正确率并打印出来。你可以根据自己的需求进行修改和调整。