请给我一份基于paddlepaddle的单输入单输出，中间层层数待定的全连接神经网络代码，要求代码每步有详细的注释

好的，以下是基于PaddlePaddle的单输入单输出、中间层数可调整的全连接神经网络代码，注释详细：

import paddle
import paddle.nn as nn

class FCNet(nn.Layer):
    def __init__(self, input_size, output_size, hidden_sizes):
        super(FCNet, self).__init__()

        self.input_size = input_size
        self.output_size = output_size
        self.hidden_sizes = hidden_sizes

        # 定义输入层，输入维度为 input_size
        self.input_layer = nn.Linear(input_size, hidden_sizes[0])

        # 定义隐藏层
        self.hidden_layers = nn.LayerList()
        for i in range(len(hidden_sizes)-1):
            hidden_layer = nn.Linear(hidden_sizes[i], hidden_sizes[i+1])
            self.hidden_layers.append(hidden_layer)

        # 定义输出层，输出维度为 output_size
        self.output_layer = nn.Linear(hidden_sizes[-1], output_size)

    def forward(self, x):
        x = self.input_layer(x)
        x = nn.functional.relu(x) # 使用ReLU激活函数

        # 逐层计算隐藏层输出
        for hidden_layer in self.hidden_layers:
            x = hidden_layer(x) 
            x = nn.functional.relu(x) # 使用ReLU激活函数

        output = self.output_layer(x) # 计算输出层输出
        return output

其中，`input_size`为输入层的维度， `output_size`为输出层的维度，`hidden_sizes`为隐藏层的维度列表，例如`[64, 32, 16]`表示三层隐藏层，分别包含64、32、16个神经元。

使用方式：

model = FCNet(input_size=10, output_size=2, hidden_sizes=[64, 32, 16])
x = paddle.rand(shape=[3, 10]) # 输入数据，batch_size为3，特征维度为10
y = model(x) # 模型输出，shape为[3, 2]