写一个基于pytorch的多对多回归预测，data.csv文件前四列为特征，剩下五十列为标签，前八百行为训练集，后两百行为测试集，输出损失实时变化图

这是一个基于 PyTorch 的多对多回归预测的示例代码：

import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import pandas as pd

# 读入数据
data = pd.read_csv("data.csv")
X_train, y_train = data.iloc[:800, :4], data.iloc[:800, 4:]
X_test, y_test = data.iloc[800:, :4], data.iloc[800:, 4:]

# 定义模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc = nn.Linear(4, 50)

    def forward(self, x):
        x = self.fc(x)
        return x

net = Net()

# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = torch.optim.SGD(net.parameters(), lr=0.01)

# 训练
losses = []
for epoch in range(1000):
    inputs = torch.tensor(X_train.values).float()
    targets = torch.tensor(y_train.values).float()

    # 正向传播 + 反向传播 + 优化
    optimizer.zero_grad()
    outputs = net(inputs)
    loss = criterion(outputs, targets)
    loss.backward()
    optimizer.step()

    # 记录损失
    losses.append(loss.item())

# 绘制 loss 图像
plt.plot(losses)
plt.xlabel("epoch")
plt.ylabel("loss")
plt.show()

其中，使用 pandas 读入 csv 文件，并将前四列作为特征，后五十列作为标签。将前八百行数据作为训练集，后两百行数据作为测试集。代码使用 PyTorch 的 nn.Module 类和 nn.Linear 模块定义了一个简单的线性回归模型。使用 nn.MSELoss() 作为损失函数和 torch.optim.SGD 作为优化器，并设置学习率为 0.01。