下面是一个示例代码，演示了如何编写一个具有模型拟合和预测功能的PyTorch神经网络类。

import torch
import torch.nn.functional as F
from torch.utils.data import DataLoader

class NeuralNet(torch.nn.Module):
    def __init__(self):
        super(NeuralNet, self).__init__()
        self.fc1 = torch.nn.Linear(10, 20)
        self.fc2 = torch.nn.Linear(20, 1)

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

    def fit(self, train_loader, optimizer, criterion, epochs):
        self.train()

        for epoch in range(epochs):
            running_loss = 0.0
            for i, data in enumerate(train_loader, 0):
                inputs, labels = data
                optimizer.zero_grad()
                outputs = self(inputs.float())
                loss = criterion(outputs, labels.float())
                loss.backward()
                optimizer.step()
                running_loss += loss.item()
            print('Epoch %d: loss=%.3f' % (epoch+1, running_loss/len(train_loader)))

    def predict(self, test_loader):
        self.eval()
        predictions = []

        with torch.no_grad():
            for i, data in enumerate(test_loader, 0):
                inputs, _ = data
                outputs = self(inputs.float())
                predictions.append(outputs.numpy())

        return predictions

在上面的代码中，我们首先定义了一个名为NeuralNet的PyTorch神经网络类。该类初始化了两个线性层并定义了前向传播函数。然后，我们有fit函数，其目的是用训练数据来拟合模型。该函数遍历训练数据集中的所有epoch，并对每个iteration执行正向和反向传播。最后，我们有predict函数，用于在训练完成后对测试数据集进行预测。

我们可以将上述类用于我们自己的数据集训