CNN模型结构【每行注释非常细致】，可以解决异或问题

import torch
device = 'cuda' if torch.cuda.is_available() else 'cpu' # 根据是否有可用的GPU来决定使用哪种设备
torch.manual_seed(777) # 设置随机种子
if device == 'cuda': # 如果设备是GPU
    torch.cuda.manual_seed_all(777) # 设置GPU的随机种子

X = torch.FloatTensor([[0, 0], [0, 1], [1, 0], [1, 1]]).to(device) # 将X转换为FloatTensor类型，并将其转换到设备上
Y = torch.FloatTensor([[0], [1], [1], [0]]).to(device) # 将Y转换为FloatTensor类型，并将其转换到设备上

# 创建4个线性层和一个sigmoid层
linear1 = torch.nn.Linear(2, 10, bias=True) # 创建一个输入为2，输出为10，带有bias的线性层
linear2 = torch.nn.Linear(10, 10, bias=True) # 创建一个输入为10，输出为10，带有bias的线性层
linear3 = torch.nn.Linear(10, 10, bias=True) # 创建一个输入为10，输出为10，带有bias的线性层
linear4 = torch.nn.Linear(10, 1, bias=True) # 创建一个输入为10，输出为1，带有bias的线性层
sigmoid = torch.nn.Sigmoid() # 创建一个sigmoid层

# 创建一个模型，将linear1、sigmoid、linear2、sigmoid、linear3、sigmoid、linear4、sigmoid按顺序排列，并将模型移动到device设备上
model = torch.nn.Sequential(linear1, sigmoid, linear2, sigmoid, linear3, sigmoid, linear4, sigmoid).to(device)

criterion = torch.nn.BCELoss().to(device)# 定义了一个BCELoss损失函数，并将其移动到device（如GPU）上。
# BCELoss（Binary Cross Entropy Loss）是一种二分类损失函数，用于计算预测值与真实值之间的差异。它可以用来衡量预测值与真实值之间的差距，以便模型可以更好地拟合数据。BCELoss的公式如下：
# Loss = -(y * log(p) + (1 - y) * log(1 - p))
# 其中，y表示真实值，p表示预测值。
optimizer = torch.optim.SGD(model.parameters(), lr=1)  # 定义优化器，使用随机梯度下降，学习率为1

for step in range(10001): # 循环10001次
    optimizer.zero_grad() # 将梯度置零
    hypothesis = model(X) # 将X输入模型，得到预测值hypothesis
    cost = criterion(hypothesis, Y) # 计算损失函数
    cost.backward() # 反向传播
    optimizer.step() # 更新参数
    if step % 100 == 0: # 每100次输出一次step和cost
        print(step, cost.item())

# 使用torch.no_grad()，表示在计算过程中不需要计算梯度，即不需要反向传播
with torch.no_grad():
    # 将模型model的输入X进行预测，并将预测结果大于0.5的设置为1，小于0.5的设置为0
    predicted = (model(X) > 0.5).float()
    # 计算预测结果和真实结果Y的准确率，float()表示将tensor转换为float类型，mean()表示求均值
    accuracy = (predicted == Y).float().mean()
    # 打印出模型的预测结果、真实结果和准确率
    print('\nHypothesis: ', hypothesis.detach().cpu().numpy(), '\nCorrect: ', predicted.detach().cpu().numpy(), '\nAccuracy: ', accuracy.item())