for e in range(epoch):
      loss_epoch = 0
      ################################################################################
      # TODO:                                                                        #
      # Loop through the dataloader and train your model with nn.BCELoss.            #
      ################################################################################
      for x, y in train_loader:
          optim.zero_grad()
          y_pred = model(x)
          # Compute and print loss
          loss = criterion(y_pred, y.float().unsqueeze(1))
          loss.backward()
          optim.step()
          loss_epoch += loss.item()
      ################################################################################
      #                                 END OF YOUR CODE                             #
      ################################################################################
      if e % print_every == 0:
          y_pred = (model(X_train.float()) > 0.5)
          train_acc = get_acc(y_pred, y_train)
          y_val_pred = (model(X_val.float()) > 0.5)
          val_acc = get_acc(y_val_pred, y_val)
          print(f'Epcoh {e}: {loss_epoch}, Training accuracy: {train_acc}, Validation accuracy: {val_acc}')
  return model