写一个基于pytorch的回归预测，特征数四个和标签数五十个都存在data.csv中，显示损失变化

首先，需要导入所需的库，包括PyTorch中的torch和torch.nn，用于模型定义和训练，还有pandas，用于读取csv文件中的数据。

import torch
import torch.nn as nn
import pandas as pd

然后，使用pandas读取csv文件中的数据，并将数据分为训练数据和测试数据。

data = pd.read_csv("data.csv")
X = data.iloc[:, :4]
y = data.iloc[:, 4:]

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

接下来，定义回归模型，在这里使用线性回归模型。

class LinearRegression(nn.Module):
    def __init__(self):
        super().__init__()
        self.linear = nn.Linear(4, 50)
    def forward(self, x):
        return self.linear(x)

model = LinearRegression()

定义损失函数和优化器，在这里使用均方误差作为损失函数，随机梯度下降作为优化器。

criterion = nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

训练模型，并在每个epoch结束时输出当前损失。

for epoch in range(1000):
    # 将训练数据转换为张量
    inputs = torch.from_numpy(X_train.values).float()
    targets = torch.from_numpy(y_train.values).float()
    
    # 前向传播
    outputs = model(inputs)
    loss = criterion(outputs, targets)
    
    # 清空上一步梯度
    optimizer.zero_grad()
    
    # 反向传播
    loss.backward()
    
    # 更新参数