在深度学习环境安装一文中，我们已经搭建了撸代码的基本环境。现在就可以来正式写代码了。我们今天的目标是模拟线性回归，通过调整参数（斜率k和b）找到和数据最匹配的线性函数。
tips: 所有代码都在jupyter notebook中完成
自动微分变量
首先是引入pytorch，以及包含的自动微分变量包autograd
这个自动微分变量是用来干什么的呢？
简单来说，他是将张量的运算“流程化”，在使用自动微分变量进行运算时，其实上是在构建一个计算图。
比如, 我们定义了两个变量, 一个是tensor, 一个是自动微分变量
requires_grad = True的含义，代表这个微分变量可反向传播
tensor的方法variable几乎都能用，而variable有很多它自己独特的方法，比如反向传播(backward)，对输入量求梯度值(grad())等等。稍后我们会在实例中对相关方法做进一步解释。
现在我们要知道的是，所有需要神经网络调整的参数，都需要具备“梯度可反传”的性质，所以，他们在定义时，都需要定义为自动微分变量。
让我们再定义一个variable变量, torch.linspace(0, 10)是创建在阈值为[0, 10]上均等划分出一个100维的向量，如夏所示
然后我们对这个变量进行2步运算
-
x + 2得到新变量y
-
y平方再取均值，得到一个变量z
上述过程用数学描述，即可表示为如下复合函数。
如果在z上，有任何的数值波动，我们都可以用数学的方法，求出x偏导的一个解析解，即x对应的数值波动。
而这个过程在神经网络中，就是梯度反传。目标值的数值波动，在自变量上都会有一个梯度的变化。
在pytorch中就更简单了，只需要一句backword()命令，不管中间经历了多复杂的函数运算，都能直接在自变量中获取梯度
神经网络本质上就是复杂的函数运算，我们把中间复杂的运算部分交给机器，才能把更多的精力放在研究“函数组合”，也就是算法上
拟合线性回归
了解神经网络最关键的反向传播机制后，我们接下来尝试做一个简单的拟合。
1. 生成数据
首先我们模拟一些离散的点。使用randn方法生成[0-1]区间内正态分布的随机点，它接收一个生成数量的参数
设置完了之后我们把这些点画出来，这里就用到了一个第三方的库matplotlib.pyplot，官方文档在这里，上篇文章也带大家安装过。这里直接引入，并画图
绘图结果如下
2. 写模型主体
这个图形是线性的，我们就可以将它设为一个一次函数y = k * x + b的形式。
那我们的目标就是，求出一组k和b，使得最后得出的一次函数和数据最接近。
初始的k和b可以随机生成，注意一定要将他们设置为微分变量，这样才能获取他们的梯度，
然后再设置一个学习率。学习率是一个超参数，一般可以设置为0.0001。如果太大会导致无法得到精确的结果，而太小又需要数量更多的运算过程。具体数值可以看训练情况调整。
现在就开始进入训练代码部分，我们先上代码
代码中每一步都有清晰的注释，我在这里着重解释一下几个重点：
-
expand_as()命令是一个维度变化操作，矩阵相乘操作对维度变化有要求，而它就是可以让两个相乘的矩阵维度匹配
-
损失函数：损失函数是一门大学问，他是预测值和真实值的“差异”，在这里选取的是最简单的损失函数，即直接将真实值和预测值相减，而为了避免正负号的影响，再做了一次平方操作。最终的损失值一定是一个0维的实数，而我们计算过程使用的都是张量，所以最后取了每一位相加后的均值，即torch.mean((predictions - y) ** 2)
-
自动微分变量的值，需要使用x.data()获取
-
每次获取到新的k和b后，记得清空k和b的梯度
每一轮训练我们都会得到一组新的k和b，当观察到loss的下降趋势逐渐变小时，说明模型训练的差不多了，这时候的k和b就是我们要的值了。那么我们可以尝试画出这条一次函数看看效果。
这时候我们需要引入计算包numby和绘图包matplotlib。
可以看到，最终的一次函数和数据基本吻合
下回我会写一篇真正的神经网络训练过程，更复杂也更有趣～
敬请期待
参考资料
