用pytorch帮我写一个气温神经网络，从csv文件中读取温度数据，输入为前60天的平均气温，输出为某天的平均气温，画出实际气温变化与预测气温变化的对比图，計算在所有测试数据上的均方誤差。

好的，以下是一个简单的气温神经网络的代码示例：

import torch
import torch.nn as nn
import torch.optim as optim
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# 读取csv文件
data = pd.read_csv('temp.csv')

# 提取温度数据
temp = data['temperature'].values

# 归一化数据
temp_max = np.max(temp)
temp_min = np.min(temp)
temp = (temp - temp_min) / (temp_max - temp_min)

# 定义模型
class TemperatureNet(nn.Module):
    def __init__(self):
        super(TemperatureNet, self).__init__()
        self.fc1 = nn.Linear(60, 10)
        self.fc2 = nn.Linear(10, 1)

    def forward(self, x):
        x = torch.relu(self.fc1(x))
        x = self.fc2(x)
        return x

# 初始化模型
model = TemperatureNet()

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

# 划分训练集和测试集
train_data = temp[:3000]
test_data = temp[3000:]

# 构建训练数据
def create_dataset(dataset, look_back=60):
    dataX, dataY = [], []
    for i in range(len(dataset)-look_back-1):
        a = dataset[i:(i+look_back)]
        dataX.append(a)
        dataY.append(dataset[i + look_back])
    return np.array(dataX), np.array(dataY)

train_X, train_Y = create_dataset(train_data)
test_X, test_Y = create_dataset(test_data)

# 训练模型
for epoch in range(100):
    inputs = torch.Tensor(train_X)
    labels = torch.Tensor(train_Y)
    optimizer.zero_grad()
    outputs = model(inputs)
    loss = criterion(outputs, labels.view(-1, 1))
    loss.backward()
    optimizer.step()
    print('Epoch {}, Loss {}'.format(epoch, loss.item()))

# 测试模型
model.eval()
test_inputs = torch.Tensor(test_X)
test_outputs = model(test_inputs)
test_outputs = test_outputs.detach().numpy()
test_Y = test_Y.reshape(-1, 1)
test_outputs = test_outputs * (temp_max - temp_min) + temp_min
test_Y = test_Y * (temp_max - temp_min) + temp_min

# 绘制实际气温变化与预测气温变化的对比图
plt.plot(test_outputs, label='Predicted temperature')
plt.plot(test_Y, label='Actual temperature')
plt.legend()
plt.show()

# 计算在所有测试数据上的均方误差
mse = np.mean((test_outputs - test_Y)**2)
print('Mean Squared Error:', mse)

需要注意的是，这个代码示例只是一个简单的气温神经网络，可能需要根据实际情况进行调整和优化。