数据特征为4000，输出为二分类，用pytorch写一个输入为4000，输出为2的一维深度卷积神经网络并训练该网络以及预测新数据的代码

我可以提供一份PyTorch代码的模板供参考：import torch
import torch.nn as nn# 定义输入和输出的维度
input_dim = 4000
output_dim = 2# 定义一个1维卷积神经网络
class ConvNet1D(nn.Module):
def __init__(self):
super(ConvNet1D, self).__init__() # 定义卷积层，输入为4000，输出为128
self.conv1 = nn.Conv1d(input_dim, 128, 5)
# 定义池化层，输入为128，输出为64
self.pool1 = nn.MaxPool1d(2, 2)
# 定义卷积层，输入为64，输出为16
self.conv2 = nn.Conv1d(64, 16, 5)
# 定义池化层，输入为16，输出为8
self.pool2 = nn.MaxPool1d(2, 2)
# 定义全连接层，输入为8，输出为2
self.fc1 = nn.Linear(8, output_dim) def forward(self, x):
# 卷积操作
x = self.conv1(x)
# 池化操作
x = self.pool1(x)
# 卷积操作
x = self.conv2(x)
# 池化操作
x = self.pool2(x)
# 将特征映射到2维向量
x = x.view(-1, 8)
# 进行全连接操作
x = self.fc1(x)
# 返回输出
return x# 创建模型
model = ConvNet1D()# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)# 训练模型
for epoch in range(num_epochs):
# 运行模型
outputs = model(inputs)
# 计算损失
loss = criterion(outputs, labels)
# 清空梯度
optimizer.zero_grad()
# 反向传播
loss.backward()
# 更新参数
optimizer.step()# 预测新数据
predicted = model(new_data)