写一个基于pytorch的回归预测，特征和标签都存在data.csv中，前四列为特征，其余为标签，显示真实值与预测值对比图像

基于 PyTorch 的回归预测示例代码如下：

import torch
import torch.nn as nn
import pandas as pd
import matplotlib.pyplot as plt

# 读取数据
data = pd.read_csv("data.csv")

# 提取特征和标签
X = data.iloc[:, :4]
y = data.iloc[:, 4:]

# 将数据转换为 PyTorch 张量
X = torch.tensor(X.values, dtype=torch.float32)
y = torch.tensor(y.values, dtype=torch.float32)

# 定义网络
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(4, 10)
        self.fc2 = nn.Linear(10, 1)

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

net = Net()

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

# 训练模型
for epoch in range(1000):
    # 前向传播
    pred = net(X)
    loss = criterion(pred, y)
    # 反向传播
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    if epoch % 100 == 0:
        print(f'Epoch {epoch + 1}, Loss: {loss.item():.4f}')

# 预测
with torch.no_grad():
    pred = net(X)

# 画图
plt.plot(y.numpy(), label='True')
plt.plot(pred.numpy(), label='Pred')
plt.legend()
plt.show()

说明:
1.代码中首先通过pandas读取csv格式数据，提取前四列作为特征，其余为标签。
2.然后通过 Pytorch 将数据转换为张量
3. 然后定义一个简单的线性网络来作为回归模型
4. 之后，定义