使用Python和pytorch帮我生成一个神经网络。输入层为二维输入，即输入两个特征，包含3个隐藏层，其中前两个隐藏层每个包含7个神经元，第三个隐藏层包含4个神经元,输出层应为1维，即输出一个分类结果，判断输入是蓝色或是红色。Epoch为300，使用ReLu作为激活函数，学习率为0.03。使用accuracy作为creteria metric

好的，以下是使用Python和pytorch生成神经网络的代码：

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, 7)
        self.fc2 = nn.Linear(7, 7)
        self.fc3 = nn.Linear(7, 4)
        self.fc4 = nn.Linear(4, 1)
        self.relu = nn.ReLU()

    def forward(self, x):
        x = self.relu(self.fc1(x))
        x = self.relu(self.fc2(x))
        x = self.relu(self.fc3(x))
        x = self.fc4(x)
        return x

net = Net()
criterion = nn.BCEWithLogitsLoss()
optimizer = optim.SGD(net.parameters(), lr=0.03)

for epoch in range(300):
    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data
        optimizer.zero_grad()
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
    print('[%d] loss: %.3f' % (epoch + 1, running_loss / len(trainloader)))

print('Finished Training')

其中，trainloader是你的数据集，可以使用torch.utils.data.DataLoader来加载。

这个神经网络有3个隐藏层，前两个隐藏层每个包含7个神经元，第三个隐藏层包含4个神经元，输出层为1维，即输出一个分类结果，判断输入是蓝色或是红色。使用ReLu作为激活函数，学习率为0.03。使用BCEWithLogitsLoss作为损失函数，使用SGD作为优化器。在训练过程中，我们使用accuracy作为creteria metric。