请使用Pytorch搭建一个全连接神经网络实现二分类问题

好的，下面是使用PyTorch搭建一个简单的全连接神经网络实现二分类问题的代码：

import torch
import torch.nn as nn

# 定义全连接神经网络模型
class Net(nn.Module):
    def __init__(self, input_dim, hidden_dim, output_dim):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(input_dim, hidden_dim)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(hidden_dim, output_dim)
        self.sigmoid = nn.Sigmoid()

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

# 定义训练函数
def train(model, X, y, criterion, optimizer, epochs):
    for epoch in range(epochs):
        optimizer.zero_grad()
        y_pred = model(X)
        loss = criterion(y_pred, y)
        loss.backward()
        optimizer.step()
        if (epoch+1) % 100 == 0:
            print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, epochs, loss.item()))

# 定义测试函数
def test(model, X):
    model.eval()
    with torch.no_grad():
        y_pred = model(X)
        y_pred = (y_pred > 0.5).float()
    return y_pred

# 数据准备
X = torch.tensor([[0,0], [0,1], [1,0], [1,1]], dtype=torch.float32)
y = torch.tensor([[0], [1], [1], [0]], dtype=torch.float32)

# 定义模型参数
input_dim = 2
hidden_dim = 5
output_dim = 1
learning_rate = 0.1
epochs = 1000

# 实例化模型，定义损失函数和优化器
model = Net(input_dim, hidden_dim, output_dim)
criterion = nn.BCELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)

# 训练模型
train(model, X, y, criterion, optimizer, epochs)

# 测试模型
y_pred = test(model, X)
print('预测结果:', y_pred)

这是一个简单的全连接神经网络模型，包含一个输入层、一个隐藏层和一个输出层，用于解决二分类问题，使用的损失函数为二元交叉熵损失函数（BCELoss），优化器为随机梯度下降（SGD）。在训练过程中，我们使用了ReLU激活函数，并对输出层进行了sigmoid激活，以确保输出值在0到1之间。