在不训练网络的情况下，使用Dice和CE损失函数可以通过直接计算Dice和交叉熵来得到损失值。下面是一个示例代码，展示了如何使用Dice和CE损失函数：

import torch
import torch.nn.functional as F

# 定义Dice损失函数
def dice_loss(pred, target):
    smooth = 1.
    pred_flat = pred.view(-1)
    target_flat = target.view(-1)
    intersection = (pred_flat * target_flat).sum()
    dice_score = (2. * intersection + smooth) / (pred_flat.sum() + target_flat.sum() + smooth)
    return 1. - dice_score

# 定义交叉熵损失函数
def ce_loss(pred, target):
    return F.binary_cross_entropy_with_logits(pred, target)

# 样本数据
pred = torch.tensor([0.8, 0.1, 0.3, 0.6])  # 预测结果（模型输出）
target = torch.tensor([1, 0, 1, 1])  # 目标标签（真实结果）

# 计算Dice损失
dice_loss_value = dice_loss(pred, target)
print("Dice Loss:", dice_loss_value.item())

# 计算交叉熵损失
ce_loss_value = ce_loss(pred, target)
print("CE Loss:", ce_loss_value.item())

在以上代码中，我们首先定义了Dice和交叉熵损失函数。然后，根据预测结果和目标标签，分别计算了Dice损失和交叉熵损失。最后，通过打印损失值来展示结果。

请注意，这只是一个简单的示例，用于说明如何计算Dice和交叉熵损失函数。在实际应用中，通常需要考虑更复杂的网络结构和数据处理。