人工智能-作业1：PyTorch实现反向传播

1.pycharm安装

打开PyCharm官网，选择安装Community社区版本下载安装。

勾选以下几项，然后点击下一步。

进入python官方网站：//www.python.org/，下载python解释器。点击Downloads,进入选择下载界面，选择我们需要的python版本号，点击Download

安装包为可执行版，安装比较简单，一直默认就安装好了。
安装完成后打开pycharm创建一个项目

测试程序成功运行。

点击File>Setting,可看到项目所用的python解释器，并可添加所需模块。

2.pytorch安装

打开N卡控制面板，点击系统信息，查看版本号

进入pytorch官网，进行pytorch安装

将命令复制到cmd窗口回车进行安装。

安装完成后测试安装成功。

3.实现反向传播

import torch

x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]
w = torch.Tensor([3.0])  # 初始化权重
w.requires_grad = True  # 说明w需要计算梯度

# 注意其中w是tensor，在实际运算中开始进行数乘。
def forward(x):
    return w * x

# 损失函数的求解，构建计算图，并不是乘法或者乘方运算
def loss(x, y):
    y_pred = forward(x)
    return (y_pred - y) ** 2

print("Predict before training", 4, forward(4).item())  ## 打印学习之前的值，.item表示输出张量的值

learning_rate = 0.01
epoch_list = []
loss_list = []
# 训练
for epoch in range(100):
    for x, y in zip(x_data, y_data):
        l = loss(x, y)
        l.backward()  # 向后传播
        print('\tgrad', x, y, w.grad.item())  # 将梯度存到w之中,随后释放计算图,w.grad.item()：取出数值
        w.data = w.data - learning_rate * w.grad.data  # 张量中的grad也是张量,所以取张量中的data,不去建立计算图
        w.grad.data.zero_()  # 释放data
    print("process:", epoch, l.item())
    epoch_list.append(epoch)
    loss_list.append(l.item())

print('Predict after training', 4, forward(4).item())

结果：

参考：
pycharm 安装教程 （Windows）菜鸟教程
pytorch安装教程
Pytorch深度学习（三）：反向传播