写一个能够实现4输入，50输出的回归预测深度学习代码

当然，你可以使用 PyTorch 来实现一个深度学习模型。首先，你需要安装 PyTorch。你可以使用 pip 命令来安装：

pipinstall torch

然后，你可以使用以下代码来实现你的深度学习模型：

import torch
import torch.nn as nn

# 定义模型
class Regressor(nn.Module):
    def __init__(self):
        super().__init__()
        self.fc1 = nn.Linear(4, 50)

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

# 实例化模型
model = Regressor()

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

# 训练模型
for epoch in range(100):
    # 获取输入和目标
    inputs = torch.randn(1, 4)
    targets = torch.randn(1, 50)

    # 前向传播
    outputs = model(inputs)
    loss = criterion(outputs, targets)

    # 反向传播
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

在这段代码中，我们定义了一个带有一个全连接层(fc1)的简单深度学习模型。然后，我们使用随机数据进行了 100 个 epoch 的训练。你可以根据你的需要修改这段代码，例如更改模型的结构、训练的 epoch 数量等。