请利用Pytorch，将DataFrame格式的数据集进行利用全连接神经网络进行训练从而实现分类任务

首先需要将DataFrame格式的数据集转换为PyTorch的Tensor格式。可以使用Pandas和PyTorch库中的函数来完成。假设DataFrame数据集名为df，代码如下：

import pandas as pd
import torch

# 读取数据集
df = pd.read_csv('data.csv')

# 将数据集转换为Tensor格式
inputs = torch.tensor(df.values[:, :-1], dtype=torch.float)
labels = torch.tensor(df.values[:, -1], dtype=torch.long)

其中，inputs表示特征数据，labels表示标签数据。在这个例子中，假设数据集中最后一列为标签数据。

接下来可以定义全连接神经网络模型，代码如下：

import torch.nn as nn

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(inputs.shape[1], 64) # 输入层到隐藏层
        self.fc2 = nn.Linear(64, 32) # 隐藏层到隐藏层
        self.fc3 = nn.Linear(32, 2) # 隐藏层到输出层

    def forward(self, x):
        x = nn.functional.relu(self.fc1(x))
        x = nn.functional.relu(self.fc2(x))
        x = self.fc3(x)
        return x

model = Net()

这里定义了一个3层的全连接神经网络，第1层为输入层，第2层和第3层为隐藏层，最后一层为输出层。输入层的节点数为数据集特征的数量，输出层的节点数为分类的数量。这里假设分类的数量为2。

接下来可以定义损失函数和优化器，代码如下：

criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

这里使用交叉熵损失函数和Adam优化器。

最后可以进行训练，代码如下：

num_epochs = 50
for epoch in range(num_epochs):
    optimizer.zero_grad() # 梯度清零
    outputs = model(inputs) # 前向传播
    loss = criterion(outputs, labels) # 计算损失
    loss.backward() # 反向传播
    optimizer.step() # 更新参数
    print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))

训练过程中，先将梯度清零，然后进行前向传播，计算损失，进行反向传播，更新模型参数。每个epoch输出损失值。