人工智能作业（一）-- 安装Pycharm,配置Pytorch,Pytorch实现反向传播

一、PyCharm 安装配置

由于之前学习机器学习已经配置好Python环境，所以这里也就不再多详细写了，Python download网址下载安装即可，由于Python小版本兼容，大版本不兼容，所以尽量选择Python3.7以上版本。嫌麻烦的话，安装Anconda更加简单方便。

1.Pycharm安装

之前已经安装了Pycharm,简单介绍一下过程。
打开PyCharm官网，选择安装Community社区版本。
基本上都点上就没问题，一路next安装即可，注意安装位置

2.打开Pycharm,新建项目文件，检查Python配置。

由于之前配置过Pycharm解释器，所以直接运行给出文件就会出现运行内容
刚安装好的Pycharm为英文，可以安装中文插件，更容易入门。下图是Python解释器的配置。

这样Pycharm基本配置就完成啦。

二、Pytorch安装

1.Pytorch下载安装

在自己的计算机中找到显卡型号，匹配好适合自己电脑的CUDA，因为Python有一个很方便的Anconda软件中包含各种Python库文件，所以安装方式有两种，一种为conda安装，一种为pip安装，这里介绍的是pip安装。
首先在PyTorch官网上选择适合自己计算机的安装版本

本台电脑为windows10系统选择Stable(稳定版)，windows，pip安装方式，语言为Python，CUDA11.3.
复制内容在cmd命令行窗口进行安装。

可以发现安装很缓慢，安装内容很大，所以需要大家耐心等待。
安装完成进行简单测试

显示True即为成功。

2.实现反向传播

1.反向传播的思想

无论是机器学习还是深度学习，都绕不开一个梯度下降。深度学习的大致步骤为：
1.构建神经网络
2.数据拟合
3.选出最佳模型

BP算法(即误差反向传播算法)适合于多层神经元网络的一种学习算法，它建立在梯度下降法的基础上。BP网络的输入输出关系实质上是一种映射关系：一个n输入m输出的BP神经网络所完成的功能是从n维欧氏空间向m维欧氏空间中一有限域的连续映射，这一映射具有高度非线性。它的信息处理能力来源于简单非线性函数的多次复合，因此具有很强的函数复现能力。这是BP算法得以应用的基础。


前向传播过程就是根据输入的参数，一步步的加权求和，最后得出结果。而反向传播的过程和前向传播完全相反：我们这里假设最后只有一个输出J，我们根据这个输出一步步的倒推，一步步的计算出前一层的数据，然后与实际前向算法的结果做差就可以求出误差的大小了。

代码如下：

import torch
import matplotlib.pyplot as plt

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())

# 绘制可视化
plt.plot(epoch_list, loss_list)
plt.xlabel("epoch")
plt.ylabel("Loss")
plt.show()

---

运行结果

参考资料

（1）pip安装Pytorch
（2）代码来源
（3）理解反向传播