帮我重写一个有特定输入数据的python代码：利用pytorch继承类实验梯度下降拟合线性回归

当然可以。假设我们有一个简单的线性回归问题，我们可以创建一个基础的`Module`类作为基类，然后在子类`LinearRegression`中实现梯度下降算法。这里是一个示例：

import torch
from torch import nn

# 定义基础模块类
class LinearBase(nn.Module):
    def __init__(self, input_size, output_size):
        super(LinearBase, self).__init__()
        self.linear = nn.Linear(input_size, output_size)
        
    def forward(self, x):
        return self.linear(x)

# 创建子类并添加梯度下降和训练方法
class LinearRegression(LinearBase):
    def __init__(self, input_size, output_size, learning_rate=0.01, epochs=100):
        super().__init__(input_size, output_size)
        self.learning_rate = learning_rate
        self.epochs = epochs
        self.weights = nn.Parameter(torch.randn(output_size, input_size))  # 初始化权重参数

    def fit(self, X, y):  # 假设X和y是训练数据
        for _ in range(self.epochs):
            y_pred = self(X)  # 预测
            loss = nn.MSELoss()(y_pred, y)  # 计算均方误差
            loss.backward()  # 反向传播计算梯度
            with torch.no_grad():
                self.weights -= self.learning_rate * self.weights.grad  # 更新权重
                self.weights.grad.zero_()  # 清零梯度
        print(f"Training completed after {self.epochs} epochs.")

# 使用示例
X_train = torch.randn(100, 1)  # 假设是输入特征
y_train = 2 + 3*X_train + torch.randn(100, 1)  # 假设真实函数是y = 2x + noise
model = LinearRegression(1, 1)  # 创建模型
model.fit(X_train, y_train)

在这个例子中，你将需要提供具体的数据 `X_train` 和 `y_train` 来运行`fit`方法。如果你已经有这些数据，可以直接替换上面代码中的占位符。