编写实现mlp函数，完成不同隐藏层数、神经元个数的实验

下面是一个实现多层感知器（MLP）的示例代码，你可以根据需要修改隐藏层数和神经元个数，进行实验。

import torch.nn as nn

class MLP(nn.Module):
    def __init__(self, input_size, hidden_sizes, output_size):
        super().__init__()
        self.layers = nn.ModuleList()
        # 输入层
        self.layers.append(nn.Linear(input_size, hidden_sizes[0]))
        # 隐藏层
        for i in range(1, len(hidden_sizes)):
            self.layers.append(nn.Linear(hidden_sizes[i-1], hidden_sizes[i]))
        # 输出层
        self.layers.append(nn.Linear(hidden_sizes[-1], output_size))
    
    def forward(self, x):
        # 前向传播
        for layer in self.layers[:-1]:
            x = nn.functional.relu(layer(x))
        x = self.layers[-1](x)
        return x

使用上面的代码定义一个多层感知器，然后传入输入，即可得到输出。下面是一个使用示例：

mlp = MLP(input_size=10, hidden_sizes=[32, 64, 128], output_size=2)
input = torch.randn(5, 10)
output = mlp(input)
print(output.shape)  # torch.Size([5, 2])

其中，`input_size` 表示输入特征的维度，`hidden_sizes` 是一个列表，表示每个隐藏层的神经元个数，`output_size` 表示输出特征的维度。在上面的示例中，我们定义了一个包含 3 个隐藏层的多层感知器，每个隐藏层的神经元个数分别为 32、64 和 128。输入的特征维度为 10，输出的特征维度为 2。