基于pytorch写一个多对多预测代码，数据集名称为data.csv，前四列为特征，后面50列为标签，前800行为训练集其余为测试集，将其中一组预测值与真实值输出到excel工作表中

以下是基于 PyTorch 的多对多预测代码示例，其中使用了数据集 "data.csv" 作为输入，前四列为特征，后面 50 列为标签，前 800 行为训练集，其余为测试集。

import torch
import torch.nn as nn
import pandas as pd
import numpy as np
from sklearn.metrics import accuracy_score

# 读入数据
df = pd.read_csv("data.csv")

# 划分训练集和测试集
train_df = df[:800]
test_df = df[800:]

# 划分特征和标签
X_train = train_df.iloc[:, :4]
y_train = train_df.iloc[:, 4:]
X_test = test_df.iloc[:, :4]
y_test = test_df.iloc[:, 4:]

# 将数据转化为 PyTorch Tensor
X_train = torch.tensor(X_train.values, dtype=torch.float32)
y_train = torch.tensor(y_train.values, dtype=torch.float32)
X_test = torch.tensor(X_test.values, dtype=torch.float32)
y_test = torch.tensor(y_test.values, dtype=torch.float32)

# 定义模型
class MultiOutputModel(nn.Module):
    def __init__(self):
        super(MultiOutputModel, self).__init__()
        self.layer1 = nn.Linear(4, 50)
        
    def forward(self, x):
        x = self.layer1(x)
        return x

# 实例化模型
model = MultiOutputModel()

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

# 训练模型
for epoch in range(100):
    # 前向传播
    y_pred = model(X_train)
    
    # 计算损失
    loss = criterion(y_pred, y_train)
    
    # 反向传播
    loss.backward()
    
    # 更新参数
    optimizer.step()
    
    # 清空梯度
    optimizer.