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

您可以使用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。以下是一个示例代码：

import torch
import torch.nn as nn

class MLP(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers):
        super(MLP, self).__init__()
        self.input_size = input_size
        self.hidden_size = hidden_size
        self.num_layers = num_layers

        layers = []
        layers.append(nn.Linear(input_size, hidden_size))
        layers.append(nn.ReLU())
        
        for _ in range(num_layers-1):
            layers.append(nn.Linear(hidden_size, hidden_size))
            layers.append(nn.ReLU())

        layers.append(nn.Linear(hidden_size, 1))
        self.model = nn.Sequential(*layers)

    def forward(self, x):
        out = self.model(x)
        return out

# 定义模型参数
input_size = 13
hidden_size = 4
num_layers = 4

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

# 打印模型结构
print(model)

这段代码定义了一个名为`MLP`的PyTorch模型类，它继承自`nn.Module`。在`__init__`方法中，我们首先定义了模型的输入特征大小（`input_size`）、隐藏层的维度（`hidden_size`）和隐藏层数量（`num_layers`）。然后，我们使用`nn.Linear`和`nn.ReLU`构建了模型的层。最后，我们使用`nn.Sequential`将这些层组合成一个模型。

在`forward`方法中，我们通过调用`self.model`来完成模型的前向传播操作。

您可以根据需要修改参数和模型结构来适应您的回归任务。