Pytorch定义一个MLP模块用于回归任务预测，输入特征有13个，15000个数据点，4个隐藏层

可以使用PyTorch定义一个MLP模块用于回归预测，输入特征有13个，15000个数据点，并设置4个隐藏层。以下是一个示例代码：

import torch
import torch.nn as nn

class MLP(nn.Module):
    def __init__(self, input_size, hidden_size, output_size, num_hidden_layers):
        super(MLP, self).__init__()
        layers = []
        layers.append(nn.Linear(input_size, hidden_size))
        layers.append(nn.ReLU())
        
        for _ in range(num_hidden_layers - 1):
            layers.append(nn.Linear(hidden_size, hidden_size))
            layers.append(nn.ReLU())
        
        layers.append(nn.Linear(hidden_size, output_size))
        
        self.model = nn.Sequential(*layers)
    
    def forward(self, x):
        return self.model(x)

# 定义模型参数
input_size = 13
hidden_size = 64
output_size = 1
num_hidden_layers = 4

# 创建MLP模型实例
model = MLP(input_size, hidden_size, output_size, num_hidden_layers)

# 打印模型结构
print(model)

在此示例中，我们定义了一个名为`MLP`的子类，继承自`nn.Module`。在`__init__`方法中，我们构建了一个包含线性层和ReLU激活函数的序列模型。根据提供的隐藏层数量，我们重复添加线性层和ReLU激活函数。最后，我们添加一个线性层作为输出层。

在`forward`方法中，我们将输入数据传递给模型，并返回模型的输出。

你可以根据自己的需求修改模型的参数，并使用此模型进行回归任务的预测。