程式畫面是意圖，非文中所述線性迴歸程式碼。
【為什麼我們要挑選這篇文章】PyTorch 是一個開源的 Python 機器學習庫，可進行 NumPy 的張量運算，應用於自然語言處理等人工智慧領域。在數據分析中，簡單縣性迴歸（SLR）是最基本的分析技術，學會用 PyTorch 處理簡單線性迴歸，算是拿到了機器學習領域的基礎門票。（責任編輯：郭家宏）
「《科技報橘》徵才中！跟我們一起定位台灣產業創新力 >> 詳細職缺訊息
快將你的履歷自傳寄至 [email protected]」
PyTorch 深度學習框架庫之一，是來自 Facebook 的開源深度學習平台，提供研究原型到生產部署的無縫銜接。
本文旨在介紹 PyTorch 基礎部分，幫助新手在 4 分鐘內實現 python PyTorch 程式碼的初步編寫。
下文出現的所有功能函數，均可以在中文文檔中查看具體參數和實現細節，先附上 pytorch 中文文檔連結。
進入 PyTorch coding 前的準備工作
需要在電腦上安裝 Python 包，導入一些科學計算包，如：numpy 等。最最重要的，別忘記導入 PyTorch，下文的運行結果均是在 jupyter notebook 上得到的，感興趣的讀者可以自行下載 Anaconda，裡面自帶有 jupyter notebook。（註：Anaconda 支持 python 多個版本的虛擬編譯環境，jupyter notebook 是一個 web 形式的編譯界面，將代碼分割成一個個的 cell，可以實時看到運行結果，使用起來非常方便！）
軟體的配置和安裝部分，網上有很多教程，這裡不再贅述，紙上得來終覺淺，絶知此事要躬行。讓我們直接進入 PyTorch 的世界，開始 coding 吧！
拿到數據分析領域的最基礎門票，更要掌握未來十年 AI 發展最重要趨勢。
8/10 跟著科技報橘一起 CONNECT 台灣 to the Future！
超佛心 65 折雙人套票開賣啦！
Tensors 運算
Tensor 張量類型，是神經網路框架中重要的基礎數據類型，可以簡單理解為一個包含單個數據類型元素的多維矩陣，Tensor 之間透過運算進行連接，從而形成計算圖。
下面的程式碼實例中，創建了一個 2 x 3 的二維張量 x，指定數據類型為浮點型（Float）：
運行結果：
PyTorch 包含許多關於 Tensors 的數學運算。除此之外，它還提供了許多實用程式，如高效序列化 Tensor 和其他任意數據類型，以及其他有用的實用程式。
下面是 Tensor 的加法/減法的一個例子，其中 torch.ones(*sizes, out=None) → Tensor 返回一個全為 1 的張量，形狀由可變參數 sizes 定義。在實例中，和變數 x 相加的，是建立兩個相應位置值為 1 的 2 x 3 的張量，相當於 x 每一維度的值 +2。程式碼和運行結果如下所示：
運行結果：
同樣的，PyTorch 也支持減法操作，實例如下。在上面的運行結果基礎上，每一維度再減去 2，x 恢復到最初的值。
運行結果：
其他 PyTorch 運算，讀者可以查閲上文給出的中文連結。
PyTorch 與 NumPy 的轉換
用戶可以輕鬆地在 PyTorch 和 NumPy 之間來回轉換。
下面是將 np.matrix 轉換為 PyTorch，並將維度更改為單個列的簡單示範：
運行結果：
其中@為張量乘法的重載運算符，x 為 2 x 3 的張量，值為 [[1,2,3],[4,5,6]]，與轉換成 tensor 的 z 相乘，z 的大小是 3 x 2，結果為 2 x 2 的張量。（與矩陣乘法類似，不明白運行結果的讀者，可以看下矩陣的乘法運算）
除此外，PyTorch 也支持張量結構的重構 reshape。下面是將張量 x 重構成 1 x 6 的一維張量的實例，與 numpy 中的 reshape 功能類似。
運行結果：
GitHub repo 概述了 PyTorch 到 numpy的轉換。此為連結。
CPU and GPUs
PyTorch 允許變數使用 torch.cuda.device 上下文管理器動態更改設備。以下是示範程式碼：
運行結果：
PyTorch Variables
變數支是一個包裹著 Tensor 的薄層，它支持幾乎所有由 Tensor 定義的 API，變數被巧妙地定義為自動編譯包的一部分。它提供了實現任意標量值函數自動區分的類和函數。
以下是 PyTorch 變數用法的簡單示範，將 v1 和 v2 相乘的結果賦值給 v3，其中裡面的參數 requires_grad 的屬性默認為 False，若一個節點 requires_grad 被設置為 True，那麼所有依賴它的節點的 requires_grad 都為 True，主要用於梯度的計算。
運行結果：
運行結果：
Back Propagation
反向傳播算法可以計算，相對於輸入權重和偏差的損失梯度，以在下一次優化疊代中更新權重並最終減少損失，PyTorch 在分層定義對於變數的反向方法以執行反向傳播方面非常智慧。
以下是一個簡單的反向傳播計算方法，以 sin（x）為例計算微分：
運行結果：
對於 PyTorch 中的變數和梯度計算，可參考這篇文章。
SLR: Simple Linear Regression
現在我們瞭解了基礎知識，可以開始運用 PyTorch 解決簡單的機器學習問題——簡單線性回歸。我們將透過 4 個簡單步驟完成：
第一步
在步驟 1 中，我們建立一個由方程式 y = wx + b 產生的人工數據集，並注入隨機誤差。請參閱以下範例：
第二步
在第 2 步中，我們使用 forward 函數定義一個簡單的類 Linear Regression Model，使用 torch.nn.Linear 定義建構子以對輸入數據進行線性轉換：
torch.nn.Linear 參考網站。
第三步
下一步：使用 MSELoss 作為代價函數，SGD 作為優化器來訓練模型。
運行結果：
第四步
現在訓練已經完成，讓我們直觀地檢查我們的模型：
運行結果：
現在你已經完成了 PyTorch 的第一個線性迴歸例子的程式了，對於後續希望百尺竿頭，更進一步的讀者來說，可以參考 PyTorch 的官方文檔連結，完成大部分的編碼應用。
連結傳送門
（本文經合作夥伴 大數據文摘 授權轉載，並同意 TechOrange 編寫導讀與修訂標題，原文標題為〈PyTorch的4分钟教程，手把手教你完成线性回归〉。首圖來源：Pixabay CC Licensed）
更多關於 PyTorch、Python 的實用技能
史上最完整 PyTorch 資源來了！工程師不能錯過的中文教程、精選書單全在這
PyTorch 深度學習入門推薦！清楚的 PPT 講解，讓你 5 天就上手
Netflix 幕後最大功臣是 Python！工程師： 每個數據工具都靠 Python 建構
