构建一个包含3层全连接层的深度神经网络，用该神经网络预测该数据是正样本还是负样本（用torch实现）

好的，下面是用PyTorch实现构建一个包含3层全连接层的深度神经网络，用该神经网络预测该数据是正样本还是负样本的代码：

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

# 定义输入和输出的维度
input_dim = 100
hidden1_dim = 50
hidden2_dim = 25
output_dim = 1

# 定义神经网络模型
class NeuralNet(nn.Module):
    def __init__(self):
        super(NeuralNet, self).__init__()
        self.fc1 = nn.Linear(input_dim, hidden1_dim)
        self.fc2 = nn.Linear(hidden1_dim, hidden2_dim)
        self.fc3 = nn.Linear(hidden2_dim, output_dim)

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

# 加载数据集
train_data, train_labels, test_data, test_labels = load_data()

# 定义神经网络模型、损失函数和优化器
model = NeuralNet()
criterion = nn.BCEWithLogitsLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

# 训练模型
num_iterations = 1000
batch_size = 32
for i in range(num_iterations):
    # 获取批次数据
    batch_indices = np.random.choice(len(train_data), batch_size, replace=False)
    batch_inputs = torch.from_numpy(train_data[batch_indices]).float()
    batch_labels = torch.from_numpy(train_labels[batch_indices]).float()

    # 前向传播、计算损失、反向传播和优化
    optimizer.zero_grad()
    outputs = model(batch_inputs)
    loss = criterion(outputs, batch_labels)
    loss.backward()
    optimizer.step()

    # 每100次迭代输出一次损失
    if (i+1) % 100 == 0:
        print('Iteration {}, loss: {:.4f}'.format(i+1, loss.item()))

# 使用测试集评估模型
test_inputs = torch.from_numpy(test_data).float()
test_labels = torch.from_numpy(test_labels).float()
with torch.no_grad():
    outputs = model(test_inputs)
    predicted_labels = torch.round(torch.sigmoid(outputs))
    accuracy = (predicted_labels == test_labels).float().mean().item()
    print('Accuracy: {:.4f}'.format(accuracy))

以上就是用PyTorch实现构建一个包含3层全连接层的深度神经网络，用该神经网络预测该数据是正样本还是负样本的代码。其中，`load_data()` 函数用于加载数据集，`nn.Linear()` 函数用于定义全连接层，`nn.BCEWithLogitsLoss()` 函数用于定义损失函数，`optim.Adam()` 函数用于定义优化器，`torch.sigmoid()` 函数用于将输出转换为概率值，`torch.round()` 函数用于将概率值转换为二分类结果，`(predicted_labels == test_labels).float().mean().item()` 用于计算测试集上的准确率。