用pytorch写一个二分类

的神经网络的代码。

下面是一个简单的用 PyTorch 实现二分类神经网络的代码：

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

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(2, 10)
        self.fc2 = nn.Linear(10, 1)
        self.sigmoid = nn.Sigmoid()

    def forward(self, x):
        x = self.fc1(x)
        x = self.sigmoid(x)
        x = self.fc2(x)
        x = self.sigmoid(x)
        return x

net = Net()
criterion = nn.BCELoss()
optimizer = optim.SGD(net.parameters(), lr=0.1)

# 训练模型
for epoch in range(1000):
    optimizer.zero_grad()
    output = net(torch.Tensor([[0, 0], [0, 1], [1, 0], [1, 1]]))
    target = torch.Tensor([[0], [1], [1], [0]])
    loss = criterion(output, target)
    loss.backward()
    optimizer.step()

# 测试模型
output = net(torch.Tensor([[0, 0], [0, 1], [1, 0], [1, 1]]))
print(output)

这个神经网络有一个输入层，一个隐藏层和一个输出层。输入层有两个神经元，隐藏层有 10 个神经元，输出层有一个神经元。我们使用 sigmoid 函数作为激活函数，使用二元交叉熵作为损失函数，使用随机梯度下降算法进行优化。在训练过程中，我们使用四个样本进行训练，每个样本有两个特征和一个标签。在测试过程中，我们使用相同的四个样本进行测试，输出每个样本的预测结果。