pytorch创建一个BP神经网络，可以处理10个输入，2个输出的非线性系统。提供训练，验证，测试的所有完整具体代码

在PyTorch中，我们可以使用`nn.Module`作为基础框架来创建一个简单的前馈神经网络（Feedforward Neural Network），用于处理非线性的10个输入到2个输出的问题。下面是一个完整的示例，包括定义模型、损失函数、优化器以及训练、验证和测试的步骤：

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

# 定义神经网络模型
class BPNet(nn.Module):
    def __init__(self, input_size=10, hidden_layers=[64], output_size=2):
        super(BPNet, self).__init__()
        
        # 创建隐藏层
        layers = []
        for h_size in hidden_layers:
            layers.append(nn.Linear(input_size, h_size))
            layers.append(nn.ReLU())
            input_size = h_size
        
        # 输出层
        layers.append(nn.Linear(hidden_layers[-1], output_size))  # 使用最后一个隐藏层的大小作为输出层的输入
        self.model = nn.Sequential(*layers)

    def forward(self, x):
        return self.model(x)

# 创建模型实例
input_size = 10
output_size = 2
hidden_layers = [64]  # 可以自定义层数和节点数
model = BPNet(input_size, hidden_layers, output_size)

# 假设我们有二分类任务，所以用交叉熵损失
criterion = nn.CrossEntropyLoss()

# 假设我们使用随机数据进行演示，实际应用中需要加载数据
# 训练数据
train_data = torch.randn(100, input_size)
train_labels = torch.randint(0, 2, (100,))
# 验证数据
val_data = torch.randn(50, input_size)
val_labels = torch.randint(0, 2, (50,))
# 测试数据
test_data = torch.randn(20, input_size)
test_labels = torch.randint(0, 2, (20,))

# 优化器
optimizer = optim.SGD(model.parameters(), lr=0.01)  # 使用SGD优化器，可根据需要选择其他优化器

# 训练循环
num_epochs = 10
for epoch in range(num_epochs):
    # 训练阶段
    model.train()
    optimizer.zero_grad()
    outputs = model(train_data)
    loss = criterion(outputs, train_labels)
    loss.backward()
    optimizer.step()

    # 验证阶段
    model.eval()
    with torch.no_grad():
        val_outputs = model(val_data)
        val_loss = criterion(val_outputs, val_labels)

    print(f"Epoch {epoch + 1}/{num_epochs}, Train Loss: {loss.item()}, Val Loss: {val_loss.item()}")

# 测试阶段
model.eval()
with torch.no_grad():
    test_outputs = model(test_data)
    _, predicted_test_labels = torch.max(test_outputs.data, 1)
    accuracy = (predicted_test_labels == test_labels).sum().item() / len(test_labels)
    print(f"Test Accuracy: {accuracy}")