写一个带数据的有监督二元分类的PyTorch 模型

好的，我可以回答这个问题。以下是一个简单的带数据的有监督二元分类的 PyTorch 模型的示例代码：

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

# 定义模型
class BinaryClassifier(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(BinaryClassifier, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(hidden_size, output_size)
        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

# 定义数据
train_data = torch.tensor([[0, 0], [0, 1], [1, 0], [1, 1]], dtype=torch.float32)
train_labels = torch.tensor([[0], [1], [1], [0]], dtype=torch.float32)

# 定义超参数
input_size = 2
hidden_size = 5
output_size = 1
learning_rate = 0.1
num_epochs = 1000

# 初始化模型和优化器
model = BinaryClassifier(input_size, hidden_size, output_size)
criterion = nn.BCELoss()
optimizer = optim.SGD(model.parameters(), lr=learning_rate)

# 训练模型
for epoch in range(num_epochs):
    # 前向传播
    outputs = model(train_data)
    loss = criterion(outputs, train_labels)

    # 反向传播和优化
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    # 打印训练信息
    if (epoch+1) % 100 == 0:
        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))

# 测试模型
test_data = torch.tensor([[0, 0], [0, 1], [1, 0], [1, 1]], dtype=torch.float32)
with torch.no_grad():
    test_outputs = model(test_data)
    test_predictions = (test_outputs >= 0.5).float()
    print('Test Predictions: {}'.format(test_predictions))

这个模型使用了一个包含一个隐藏层的神经网络，使用了 ReLU 和 Sigmoid 激活函数，以及二元交叉熵损失函数和随机梯度下降优化器。训练数据包括四个样本，每个样本有两个特征，标签为 0 或 1。模型训练完成后，使用测试数据进行测试，并输出预测结果。