Tensor 與 autograd

前面的 sklearn / XGBoost 都是「呼叫現成模型」。深度學習不一樣——你要自己搭神經網路。但別怕,PyTorch 的兩塊地基其實很單純:Tensor(會算梯度的陣列)與 autograd(自動微分)。

這堂課你會學到

• 建立、操作 Tensor,知道它跟 NumPy 陣列的關係
• 理解 requires_grad 與 backward() 如何自動算梯度
• 親手驗證 autograd 算出的梯度跟手算的一致

為什麼這是整個深度學習的引擎

神經網路的訓練,本質就是不斷算「loss 對每個參數的梯度」,再讓參數沿梯度反方向走一小步,把 loss 降下去。autograd 幫你自動算出所有梯度——你只要寫 forward,反向傳播 PyTorch 全包了。

預覽圖就是這個概念:在 f(x)=x² 上,autograd 算出每點的梯度(紅箭頭指向讓 y 下降的方向)。訓練時 optimizer 做的就是沿著這些箭頭走。把 Tensor 與 autograd 搞懂,後面搭網路、寫訓練迴圈都只是組裝這兩塊。

👉 在 Colab 裡對 y = x**3 + 2*x 用 autograd 求導,跟手算的 3x²+2 比對,親手確認它沒騙你。