给我一个示例，使用jieba，跑一个pytorch的网络

以下是一个示例，展示如何使用 jieba 分词库和 PyTorch 搭建一个简单的文本分类网络：

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

# 定义数据
texts = ['我喜欢这个电影', '这部电影太无聊了', '这个手机很好用', '这个产品质量不错']
labels = [1, 0, 1, 1]

# 分词处理
def tokenize(text):
    seg_list = jieba.lcut(text)
    return seg_list

tokenized_texts = [tokenize(text) for text in texts]

# 构建词汇表
word2index = {}
for text in tokenized_texts:
    for word in text:
        if word not in word2index:
            word2index[word] = len(word2index)

# 转换为索引序列
indexed_texts = [[word2index[word] for word in text] for text in tokenized_texts]

# 定义模型
class TextClassifier(nn.Module):
    def __init__(self, vocab_size, embedding_dim, hidden_dim, output_dim):
        super(TextClassifier, self).__init__()
        self.embedding = nn.Embedding(vocab_size, embedding_dim)
        self.fc = nn.Linear(embedding_dim, hidden_dim)
        self.relu = nn.ReLU()
        self.out = nn.Linear(hidden_dim, output_dim)
    
    def forward(self, x):
        embedded = self.embedding(x)
        hidden = self.relu(self.fc(embedded.mean(dim=1)))
        output = self.out(hidden)
        return output

# 参数设置
vocab_size = len(word2index)
embedding_dim = 100
hidden_dim = 50
output_dim = 2
learning_rate = 0.001
num_epochs = 10

# 初始化模型、损失函数和优化器
model = TextClassifier(vocab_size, embedding_dim, hidden_dim, output_dim)
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=learning_rate)

# 转换为张量
inputs = torch.LongTensor(indexed_texts)
labels = torch.LongTensor(labels)

# 训练模型
for epoch in range(num_epochs):
    optimizer.zero_grad()
    outputs = model(inputs)
    loss = criterion(outputs, labels)
    loss.backward()
    optimizer.step()

    if (epoch+1) % 2 == 0:
        print(f'Epoch {epoch+1}/{num_epochs}, Loss: {loss.item():.4f}')

# 测试模型
with torch.no_grad():
    test_text = '这个电影真棒'
    test_tokens = tokenize(test_text)
    test_indexes = [word2index[word] for word in test_tokens]
    test_input = torch.LongTensor(test_indexes).unsqueeze(0)
    predictions = model(test_input)
    _, predicted_label = torch.max(predictions, 1)
    print(f'Test Text: {test_text}, Predicted Label: {predicted_label.item()}')

在这个示例中，我们使用 jieba 分词库对文本进行分词处理，并将分词结果转换为索引序列。然后，我们定义了一个简单的文本分类模型 `TextClassifier`，包含一个嵌入层、全连接层和输出层。模型训练过程中使用交叉熵损失函数和 Adam 优化器。最后，我们使用训练好的模型对一个测试文本进行分类预测。请注意，这个示例只是一个简单的演示，实际应用中可能需要更复杂的网络结构和更大规模的数据集。