帮我写一个python代码：利用pytorch顺序结构实现梯度下降拟合线性回归

当然可以。首先，我们需要安装PyTorch库，如果你还没有安装，可以使用`pip install torch`命令。接下来是一个简单的Python代码示例，使用PyTorch实现线性回归模型并使用梯度下降法进行训练：

import torch
import torch.nn as nn
import torch.optim as optim

# 创建数据 (这里我们用随机数据简化例子)
torch.manual_seed(0)  # 设置随机种子为了得到一致的结果
X = torch.randn(100, 1)  # 随机输入特征
y = 2 * X + 0.5 * torch.randn(100, 1)  # 线性函数生成目标值，加上一些噪声

class LinearRegression(nn.Module):
    def __init__(self, input_dim):
        super(LinearRegression, self).__init__()
        self.linear = nn.Linear(input_dim, 1)

    def forward(self, x):
        return self.linear(x)

model = LinearRegression(1)  # 初始化模型，输入维度为1
criterion = nn.MSELoss()  # 使用均方误差作为损失函数
optimizer = optim.SGD(model.parameters(), lr=0.01)  # 使用SGD优化器，学习率设为0.01

def train():
    model.train()
    optimizer.zero_grad()  # 梯度清零
    y_pred = model(X)  # 前向传播预测
    loss = criterion(y_pred, y)  # 计算损失
    loss.backward()  # 反向传播求梯度
    optimizer.step()  # 更新参数

for epoch in range(1000):  # 进行多次迭代训练
    train()

    # 打印当前损失值
    if (epoch+1) % 100 == 0:
        print(f"Epoch {epoch+1}: Loss: {loss.item()}")

# 输出最终模型参数
print("Final Parameters:")
for name, param in model.named_parameters():
    print(f"{name}: {param.item()}")