P1
让我们先来设一个场景：
你拥有一个书店，现在你要统计书店每天卖了多少本书，你可能写一个简单的列表来记录：
csharp
[45、55、30]过了一段时间后，你还想分类记录每天不同类型的书销量如何，你可能记录如下：
| 小说 | 科学 | 艺术 | |
|---|---|---|---|
| 第一天 | 10 | 20 | 30 |
| 第二天 | 15 | 25 | 35 |
| 第三天 | 5 | 10 | 15 |
又过了一段时间， 除了销量外，你还想进一步记录每天各阶段每个类型书的访客数、以及带来的收，这样表格记录就变得更加复杂了：
| 时间\数据 | 销量 | 访客数 | 收入 | ||||||
|---|---|---|---|---|---|---|---|---|---|
| 小说 | 科学 | 艺术 | 小说 | 科学 | 艺术 | 小说 | 科学 | 艺术 | |
| 早上 | 10 | 20 | 30 | 15 | 25 | 35 | 100 | 200 | 300 |
| 中午 | 12 | 22 | 32 | 18 | 28 | 38 | 120 | 220 | 320 |
| 晚上 | 8 | 18 | 28 | 13 | 23 | 33 | 80 | 180 | 280 |
基于第一种场景，我们可以通过销量来预测未来门店书籍的销量；
基于第二种场景，我们可以根据不同书籍的销量对比，来对不同类型书籍作库存的管理和需求设计；
基于第三种场景，我们则能构建更多、更复杂的预测模型，比如：
- 预测未来特定时间段某类型书的销售量/访客数/收入；
- 分析不同类型的书是如何影响整体销售指标的；
- 识别不同消费群体的购买习惯；
- 根据销售数据向消费者推荐书籍；
是否还有更复杂的"表"、更复杂的统计场景呢？？
当然，还能增加额外的维度：不同地区的书店、再细化书的类别、细化时间维度等等。
信息量太大了，以至于一般的计算可能无法满足了，这时，就需要用到 "深度学习"！！
其中，用来计算这些信息量的深度框架就是本篇的主角 ------ PyTorch ~
P2
直接上手，不多BB ~~
查一下之前装的：Python，没问题，通过 pip 安装 torchvision
运行：
python
from __future__ import print_function
import torch
x= torch.rand(5,3)
print(x)
上述代码先导入PyTorch库，然后创建了一个5行3列的张量（或者称作矩阵）。
基于上述书店卖书的例子，举一个实践示例：
假设我们有过去五天每种书籍（小说、科学、艺术）的销售收入数据，现在将尝试预测第六天的总收入。
ini
import torch
import torch.nn as nn
import torch.optim as optim
# 假设的历史销售数据（每天的收入：小说，科学，艺术）
past_sales_data = torch.tensor([
[100, 200, 300],
[110, 210, 310],
[120, 220, 320],
[130, 230, 330],
[140, 240, 340],
], dtype=torch.float32)
# 标准化输入数据
mean = past_sales_data.mean(dim=0)
std = past_sales_data.std(dim=0)
normalized_sales_data = (past_sales_data - mean) / std
# 总收入（每天的总和）
total_income = past_sales_data.sum(axis=1)
# 标准化输出数据
mean_total_income = total_income.mean()
std_total_income = total_income.std()
normalized_total_income = (total_income - mean_total_income) / std_total_income
# 构建一个简单的线性模型
model = nn.Linear(3, 1)
# 损失函数和优化器
criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)
# 训练模型
epochs = 1000
for epoch in range(epochs):
# 预测
predictions = model(normalized_sales_data)
# 计算损失
loss = criterion(predictions, normalized_total_income.view(-1, 1))
# 反向传播和优化
optimizer.zero_grad()
loss.backward()
optimizer.step()
# 使用模型进行预测
# 假设第六天的销售数据
day_6_sales = torch.tensor([150, 250, 350], dtype=torch.float32)
predicted_income = model(day_6_sales).item()
print(f"预测的第六天总收入: {predicted_income:.2f}元")运行结果：预测的第六天总收入: 173.81元
如果报错：Error "Import Error: No module named numpy" on Windows，就是没装 numpy，安装即可。
P3
除此之外建议：
为了更好的处理Python版本问题、以及第三方包安装问题，这里推荐下载：
------ 先下载 Anaconda，地址：Anaconda3-5.1.0-Windows-x86_64.exe
一直 next ，然后下载完成。
配置环境变量：
然后就妥了，打开：Anaconda Navigator
OK，以上便是本篇分享。点赞关注评论，为好文助力👍
我是掘金安东尼，安东尼陪你一起度过漫长编程岁月 🌏