帮我用torch.nn实现一个简单的前馈神经网络

以下是使用torch.nn实现一个简单前馈神经网络的示例代码：

import torch
import torch.nn as nn

# 定义前馈神经网络模型
class FeedForwardNet(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(FeedForwardNet, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(hidden_size, output_size)
    
    def forward(self, x):
        out = self.fc1(x)
        out = self.relu(out)
        out = self.fc2(out)
        return out

# 定义训练数据和标签
x_train = torch.tensor([[0, 0], [0, 1], [1, 0], [1, 1]], dtype=torch.float32)
y_train = torch.tensor([[0], [1], [1], [0]], dtype=torch.float32)

# 定义模型和损失函数
model = FeedForwardNet(2, 4, 1)
criterion = nn.MSELoss()

# 定义优化器
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

# 训练模型
num_epochs = 1000
for epoch in range(num_epochs):
    # 前向传播
    y_pred = model(x_train)
    loss = criterion(y_pred, y_train)
    
    # 反向传播和优化
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    
    # 每100次迭代打印一次损失
    if (epoch+1) % 100 == 0:
        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))

# 测试模型
with torch.no_grad():
    y_pred = model(x_train)
    y_pred_cls = torch.round(y_pred)
    acc = (y_pred_cls == y_train).sum().item() / y_train.size(0)
    print('Accuracy: {:.2f}%'.format(acc*100))

在这个示例中，我们定义了一个包含2个输入、4个隐藏单元和1个输出的前馈神经网络模型。我们使用MSE损失函数和随机梯度下降优化器来训练模型。在训练过程中，我们将模型在训练数据上进行了1000次迭代，每100次迭代打印一次损失。最后，我们使用训练好的模型在训练数据上进行了预测，并计算了模型的准确率。