pytorch的mlp回归，读取xlsx数据集，并且对于预测输出可自己调节

好的，你可以按照以下步骤来实现：

1. 安装必要的Python库：`pandas`、`xlrd`、`numpy`、`torch`。
2. 读取Excel文件中的数据集，可以使用`pandas`库中的`read_excel`函数来读取。
3. 对数据集进行预处理，例如将数据集分为训练集和测试集、标准化、缩放等。
4. 定义MLP模型，可以使用`torch.nn`库中的`Sequential`层和`Linear`层来构建。
5. 定义损失函数和优化器，可以使用`torch.nn`库中的`MSELoss`和`Adam`优化器。
6. 进行模型训练，可以使用`torch`库中的`DataLoader`和`train`函数来进行训练。
7. 进行模型预测，可以使用`torch`库中的`eval`函数来进行预测。

下面是一个简单的示例代码，你可以根据自己的需求进行修改：

import pandas as pd
import numpy as np
import torch
from torch import nn, optim
from torch.utils.data import DataLoader, TensorDataset

# 读取Excel文件中的数据集
data = pd.read_excel('data.xlsx')

# 数据预处理
train_data = data.sample(frac=0.8, random_state=0)  # 取80%作为训练集
test_data = data.drop(train_data.index)  # 剩下的作为测试集

# 标准化
train_mean = train_data.mean()
train_std = train_data.std()
train_data = (train_data - train_mean) / train_std
test_data = (test_data - train_mean) / train_std

# 转换为PyTorch的Tensor类型
train_x = torch.tensor(train_data.iloc[:, :-1].values, dtype=torch.float32)
train_y = torch.tensor(train_data.iloc[:, -1].values, dtype=torch.float32)
test_x = torch.tensor(test_data.iloc[:, :-1].values, dtype=torch.float32)
test_y = torch.tensor(test_data.iloc[:, -1].values, dtype=torch.float32)

# 定义MLP模型
model = nn.Sequential(
    nn.Linear(3, 64),
    nn.ReLU(),
    nn.Linear(64, 1)
)

# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

# 定义DataLoader
train_dataset = TensorDataset(train_x, train_y)
train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True)

# 训练模型
def train(model, loader, criterion, optimizer):
    model.train()
    running_loss = 0.0
    for i, (inputs, labels) in enumerate(loader):
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs.view(-1), labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
    return running_loss / len(loader)

epochs = 100
for epoch in range(epochs):
    loss = train(model, train_loader, criterion, optimizer)
    print(f'Epoch {epoch+1}/{epochs}: loss={loss:.4f}')

# 预测输出
model.eval()
with torch.no_grad():
    pred_y = model(test_x).view(-1)
    pred_y = pred_y * train_std[-1] + train_mean[-1]  # 去标准化

# 调整输出值的范围
pred_y = torch.clamp(pred_y, min=0, max=100)

# 手动调整输出值（可根据需要修改）
adjust_y = pred_y.clone()
adjust_y[adjust_y < 10] = 10
adjust_y[adjust_y > 90] = 90

# 输出结果
print(f'Pred_y: {pred_y}')
print(f'Adjust_y: {adjust_y}')

在上面的示例代码中，我们首先读取Excel文件中的数据集，并将其分为训练集和测试集。然后进行标准化处理，将数据转换为PyTorch的Tensor类型，并定义MLP模型、损失函数和优化器。接着使用`DataLoader`和`train`函数进行模型训练，并使用`eval`函数进行模型预测。最后根据需要手动调整输出值的范围，并输出结果。