用pytorch写一个神经网络，从csv文件中提取温度数据，输入为前60天的平均气温数据，输出为某天的平均气温，训练集和测试集分开

好的，我可以为您提供一份简单的代码，来实现您所需的功能。代码如下：

import torch
import torch.nn as nn
import torch.optim as optim
import pandas as pd
import numpy as np
from sklearn.preprocessing import MinMaxScaler

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(60, 128)
        self.fc2 = nn.Linear(128, 64)
        self.fc3 = nn.Linear(64, 1)
        
    def forward(self, x):
        x = torch.relu(self.fc1(x))
        x = torch.relu(self.fc2(x))
        x = self.fc3(x)
        return x

# 加载数据集
data = pd.read_csv('temperature.csv')
scaler = MinMaxScaler()
data = scaler.fit_transform(data)

# 分割训练集和测试集
train_size = int(len(data) * 0.8)
test_size = len(data) - train_size
train_data, test_data = data[0:train_size,:], data[train_size:len(data),:]

# 根据输入输出维度初始化神经网络
net = Net()

# 定义优化器和损失函数
optimizer = optim.Adam(net.parameters(), lr=0.001)
criterion = nn.MSELoss()

# 训练神经网络
for epoch in range(500):
    for i in range(60, len(train_data)):
        x = train_data[i-60:i,:]
        y = train_data[i,:]
        x = torch.from_numpy(x).float()
        y = torch.from_numpy(y).float()
        optimizer.zero_grad()
        output = net(x)
        loss = criterion(output, y)
        loss.backward()
        optimizer.step()
    print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, 500, loss.item()))

# 测试神经网络
net.eval()
test_inputs = []
test_labels = []
for i in range(60, len(test_data)):
    test_inputs.append(test_data[i-60:i,:])
    test_labels.append(test_data[i,:])
test_inputs = np.array(test_inputs)
test_labels = np.array(test_labels)

with torch.no_grad():
    test_inputs = torch.from_numpy(test_inputs).float()
    test_labels = torch.from_numpy(test_labels).float()
    test_outputs = net(test_inputs)
    test_loss = criterion(test_outputs, test_labels)
    print('Test Loss: {:.4f}'.format(test_loss.item()))

# 反归一化并可视化预测结果和真实值
test_outputs = test_outputs.detach().numpy()
test_labels = test_labels.detach().numpy()
test_outputs = scaler.inverse_transform(test_outputs)
test_labels = scaler.inverse_transform(test_labels)

import matplotlib.pyplot as plt
plt.plot(test_outputs, label='Predicted')
plt.plot(test_labels, label='True')
plt.legend()
plt.show()

代码中定义了一个三层全连接神经网络，分别包含128、64、1个神经元。使用Adam优化器和均方误差（MSE）损失函数进行训练。在训练之前，我们将数据集分割为训练集和测试集，并对数据进行归一化处理。

在训练过程中，我们使用前60天的气温数据作为输入，预测第61天的气温数据。在测试过程中，我们使用同样的方法进行预测，并将结果反归一化，以便于可视化。

请注意，在实际应用中，您可能需要更多的数据预处理和模型调整来获得更好的结果。