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