pytorch 写一个带有一层transformer层和一层全连接层的，输出结果为10分类的网络模型

可以参考下面的代码示例，它展示了如何使用PyTorch构建一个带有一层Transformer层和一层全连接层的10分类网络模型：

import torch
import torch.nn as nn
import torch.nn.functional as F


class TransformerModel(nn.Module):
    def __init__(self, input_dim, hidden_dim, output_dim, num_heads, num_layers):
        super(TransformerModel, self).__init__()
        self.embedding = nn.Embedding(input_dim, hidden_dim)
        self.transformer = nn.Transformer(d_model=hidden_dim, nhead=num_heads, num_encoder_layers=num_layers)
        self.fc = nn.Linear(hidden_dim, output_dim)

    def forward(self, x):
        embedded = self.embedding(x)
        transformer_out = self.transformer(embedded)
        pooled = torch.mean(transformer_out, dim=1)  # Average pooling over sequence length
        logits = self.fc(pooled)
        return logits


# 定义模型的超参数
input_dim = 100  # 输入维度（词汇表大小）
hidden_dim = 256  # Transformer隐藏层维度
output_dim = 10  # 输出类别数量
num_heads = 8  # Transformer中的多头注意力头数
num_layers = 1  # Transformer层数

# 创建模型实例
model = TransformerModel(input_dim, hidden_dim, output_dim, num_heads, num_layers)

# 打印模型结构
print(model)

在这个示例中，我们首先定义了一个名为`TransformerModel`的自定义模型类。在`__init__`方法中，我们初始化了嵌入层（用于将输入序列转换为嵌入表示），Transformer层和全连接层。在`forward`方法中，我们首先将输入序列进行嵌入，然后通过Transformer层进行变换，并使用平均池化操作对Transformer的输出进行池化。最后，通过全连接层将池化输出映射到最终的类别概率。

请注意，上述代码仅提供了一个基本的模型结构示例，你可能需要根据实际任务进行适当的修改和调整。