请使用Pytorch搭建一个全连接神经网络实现二分类问题，并且用F1指标评估模型

好的，下面是使用PyTorch搭建一个简单的全连接神经网络实现二分类问题，并使用 F1 指标评估模型的代码：

import torch
import torch.nn as nn
from sklearn.metrics import f1_score

# 定义全连接神经网络模型
class Net(nn.Module):
    def __init__(self, input_dim, hidden_dim, output_dim):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(input_dim, hidden_dim)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(hidden_dim, output_dim)
        self.sigmoid = nn.Sigmoid()

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

# 定义训练函数
def train(model, X, y, criterion, optimizer, epochs):
    for epoch in range(epochs):
        optimizer.zero_grad()
        y_pred = model(X)
        loss = criterion(y_pred, y)
        loss.backward()
        optimizer.step()
        if (epoch+1) % 100 == 0:
            print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, epochs, loss.item()))

# 定义测试函数
def test(model, X, y):
    model.eval()
    with torch.no_grad():
        y_pred = model(X)
        y_pred = (y_pred > 0.5).float()
    f1 = f1_score(y_pred, y)
    return f1

# 数据准备
X = torch.tensor([[0,0], [0,1], [1,0], [1,1]], dtype=torch.float32)
y = torch.tensor([[0], [1], [1], [0]], dtype=torch.float32)

# 定义模型参数
input_dim = 2
hidden_dim = 5
output_dim = 1
learning_rate = 0.1
epochs = 1000

# 实例化模型，定义损失函数和优化器
model = Net(input_dim, hidden_dim, output_dim)
criterion = nn.BCELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)

# 训练模型
train(model, X, y, criterion, optimizer, epochs)

# 测试模型
f1 = test(model, X, y)
print('F1 score:', f1)

这个代码和之前的代码基本相同，只是在测试函数中添加了一个 F1 指标的计算，使用了 sklearn 库中的 f1_score 函数来计算。在测试函数中，我们首先将模型的输出转化为 0 或 1，然后计算 F1 指标，最后返回 F1 指标的值。

F1 指标是非常有效的模型评估指标，尤其适用于不平衡的二分类问题。它同时考虑了准确率和召回率，可以更全面地评估模型的性能。