Pytorch定义一个MLP模块用于回归任务预测，输入特征有13个，15000个数据点，4个隐藏层

以下是使用PyTorch定义一个具有4个隐藏层的多层感知机（MLP）模型，用于回归任务预测。输入特征有13个，总共有15000个数据点。

import torch
import torch.nn as nn

class MLP(nn.Module):
    def __init__(self, input_size, hidden_size, num_hidden_layers):
        super(MLP, self).__init__()
        
        self.input_layer = nn.Linear(input_size, hidden_size)
        self.hidden_layers = nn.ModuleList([nn.Linear(hidden_size, hidden_size) for _ in range(num_hidden_layers)])
        self.output_layer = nn.Linear(hidden_size, 1)
        
        self.relu = nn.ReLU()
        
    def forward(self, x):
        x = self.relu(self.input_layer(x))
        for hidden_layer in self.hidden_layers:
            x = self.relu(hidden_layer(x))
        x = self.output_layer(x)
        return x

# 定义模型参数
input_size = 13
hidden_size = 128
num_hidden_layers = 4

# 创建MLP模型实例
model = MLP(input_size, hidden_size, num_hidden_layers)

# 打印模型结构
print(model)

这个模型包含一个输入层，四个隐藏层和一个输出层。每个隐藏层都有相同数量的神经元（128个），并使用ReLU激活函数。输出层只有一个神经元，用于回归任务预测。