在PyTorch中，可以使用torch.nn模塊中的Linear類來實現多元線性回歸。下面是一個簡單的示例代碼：

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

# 定義輸入和輸出數據
x = torch.tensor([[1.0, 2.0], [2.0, 3.0], [3.0, 4.0], [4.0, 5.0]])
y = torch.tensor([[3.0], [4.0], [5.0], [6.0]])

# 定義線性回歸模型
class LinearRegression(nn.Module):
    def __init__(self, input_dim, output_dim):
        super(LinearRegression, self).__init__()
        self.linear = nn.Linear(input_dim, output_dim)
    
    def forward(self, x):
        return self.linear(x)

# 初始化模型和優化器
model = LinearRegression(input_dim=2, output_dim=1)
criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 訓練模型
num_epochs = 1000
for epoch in range(num_epochs):
    optimizer.zero_grad()
    outputs = model(x)
    loss = criterion(outputs, y)
    loss.backward()
    optimizer.step()
    
    if (epoch+1) % 100 == 0:
        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))

# 測試模型
predicted = model(x)
print('Predicted:', predicted.detach().numpy())

在這個示例中，我們定義了一個具有兩個輸入和一個輸出的多元線性回歸模型，并用隨機梯度下降（SGD）優化器來訓練模型。在訓練過程中，我們使用均方誤差損失函數來衡量模型的預測值與實際值之間的差異。最后，我們用訓練好的模型來對輸入數據進行預測，并輸出預測結果。