人工智能-作业1：Pycharm安装配置，PyTorch实现反向传播

一，安装pycharm，配置好python开发环境

我的电脑已经安装好了，就没有过程了。具体详情看这篇文章。^^
PyCharm 安装教程（Windows） | 菜鸟教程 (runoob.com)

二，安装pytorch

在安装主要参考这篇文章
Pytorch安装流程
但是遇到了些问题，安装所需要的第三方包时部分包安装不了速度太慢。自己下好的包，conda install还安装不了。（暂时不太清楚原因）

于是更换了资源镜像。

更换资源镜像方法

cmd命令添加：以- - -添加【清华大学开源软件镜像站】为例
打开cmd 直接依次输入下列命令，

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ 

conda config --set show_channel_urls yes

你的目录 C:\Users<你的用户名> 下就会生成配置文件.condarc，更换为以下内容保存。

channels:
  - defaults
show_channel_urls: true
channel_alias: https://mirrors.tuna.tsinghua.edu.cn/anaconda
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/pro
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

最后在cmd中执行conda clean -i

参考：Anaconda更换镜像源方法
参考：Anaconda配置清华镜像源

安装所需要的第三方包。

打开 Anaconda prompt 命令窗口，激活环境，输入python，进入python开发环境中
这里true就是成功了。

Pycharm使用虚拟环境

创建一个project，然后我们点击左上角File，选中settings，点击左边齿轮图标，并选择Add

选Conda Environment，选Existing environment（因为咱们已经之前用anaconda已经创建过环境了），并勾选Make available to all projects（这个选项可以使你新开一个project的时候，也可以使用这个环境）
然后就ok 和Apply就好了。 我们可以在pycharm上import torch包了。

参考：Pytorch虚拟环境创建

三，Pytorch实现反向传播

Pytorch 里面数据最基本的成员是 Tensor，它是用来存储数据的，它可以存标量，向量，矩阵或者高阶的 Tensor。它里面包含两个重要成员 data 和 grad。data 用来保存权重 w，grad 用来保存损失函数 Loss 对权重w的导数。

在这个实现反向传播的例子中，我们前向传播用的线性模型 y=wx 。

import torch
x_data = [1.0, 2.0, 3.0]        # 输入值
y_data = [2.0, 4.0, 6.0]        # 输出值
w = torch.Tensor([1.0])         # 权重初始值(设置w的初始值)，在grad求导时会将这里设置的初始值带入
w.requires_grad = True          # Tensor创建时默认不计算梯度，需要计算梯度设置为ture，自动记录求w的导

# y_predict = x * w
def forward(x):
    return x * w
# 损失函数，return激活函数后得到的
def loss(x,y):
    y_pred = forward(x)
    return (y_pred - y) ** 2

# 训练过程
# 第一步:先算损失Loss
# 第二步:backward，反向传播
# 第三步:梯度下降
for epoch in range(100):    #训练100次
    for x, y in zip(x_data, y_data):
        l = loss(x, y)           # 前向传播，求Loss(损失函数)，构建计算图
        l.backward()            # 反向传播，求出计算图中所有梯度存入w中
        print("\tgrad: ", x, y, w.grad.item())
                                # w.grad.data:获取梯度，用data计算，不会建立计算图，每次获取叠加到grad
        w.data = w.data - 0.01 * w.grad.data     # 修正一次w，learningrate=0.01(类似步长

        w.grad.data.zero_()     # 注意:将w中记录的梯度清零，消除本次计算记录，只保留新的w，开启下一次前向传播
    print("pregress:", epoch, l.item()) # item取元素精度更高,得到的是loss
print(w);

backward函数就会把loss对w的偏导/梯度求出来，直接用w.grad.data就可以得到。

参考：Back Propagation 反向传播

经过100轮训练之后,y已经无限接近于正确的解了，损失已经是10的-13次方非常小。w也与我们的想法一样是2。