在Torch中處理回歸任務通常需要定義一個損失函數和優化器來訓練模型。首先，定義一個損失函數來衡量模型預測與真實值之間的差距，常用的損失函數包括均方誤差（Mean Squared Error）和平均絕對誤差（Mean Absolute Error）等。然后使用一個優化器來調整模型參數以最小化損失函數，常用的優化器包括隨機梯度下降（SGD）和Adam等。

下面是一個簡單的示例代碼來處理回歸任務：

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

# 定義數據
X = torch.tensor([[1.0], [2.0], [3.0]])
y = torch.tensor([[2.0], [4.0], [6.0]])

# 定義模型
model = nn.Linear(1, 1)

# 定義損失函數和優化器
criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 訓練模型
for epoch in range(100):
    optimizer.zero_grad()
    outputs = model(X)
    loss = criterion(outputs, y)
    loss.backward()
    optimizer.step()

    if (epoch+1) % 10 == 0:
        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, 100, loss.item()))

# 測試模型
with torch.no_grad():
    test_input = torch.tensor([[4.0]])
    predicted = model(test_input)
    print('Predicted value: {:.2f}'.format(predicted.item()))

在上面的代碼中，我們首先定義了數據X和y，然后定義了一個簡單的線性模型，損失函數為均方誤差，優化器為隨機梯度下降。接下來進行模型訓練，每個epoch計算損失并更新模型參數，最后測試模型并輸出預測結果。