人工智能-作业1

一、安装PyCharm

参考博文https://www.runoob.com/w3cnote/pycharm-windows-install.html即可

二、安装pytorch

1.首先要查看自己对应的驱动版本
进入控制面板查看对应版本，安装cuda时要安装比自己版本低的
我发现自己的控制面板双击后打不开，具体解决方法如下
http://m.xitongzhijia.net/xtjc/20211208/235110.html
torch-torchvision-python版本对应关系

CUDA Toolkit和PyTorch对应关系

2.安装anaconda，可以参考如下博文
https://blog.csdn.net/qq_42257666/article/details/121383450
3.点击进入pytorch官网
https://pytorch.org/
进入Get Started,依据自己的电脑选择合适的版本，这里10.2的已经不能用了

如果想在自己的电脑上跑（具有NVIDIA显卡），就选CUDA,如果没有独立显卡，就选CPU
4.引入镜像源
(1)进入Anaconda Prompt后输入
conda create --name pytorch python=对应的python版本号
(2)进入pytorch环境
activate pytorch
(3)在.portch虚拟环境下，创建.condarc文件
conda config --set show_channel_urls yes
（4）之后在⾃⼰电脑的⽤户⽂件下找到⼀个.condarc⽂件，用记事本打开并替换内容

channels:
  - defaults
show_channel_urls: true
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - 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
  pytorch-lts: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

主要参考https://mirrors.tuna.tsinghua.edu.cn/help/anaconda/
(5）运行pytorch官网给出的代码，run this command
(6)验证是否成功
（6.1）在命令⾏左边为 pytorch 环境中，输⼊ python
（6.2）之后，输⼊ import torch，如果没有报错，意味着 PyTorch 已经顺利安装了。
(7)在菜单中打开Anaconda Prompt，然后安装插件。
命令⾏输⼊：
conda install nb_conda
然后进⼊创建的pytorch环境，命令⾏输⼊:
conda install ipykernel
进入Anaconda中查看，多了pytorch框架

三、使用pytorch实现反向传播

代码

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])
w.requires_grad = True
# 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
# 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

运行结果

grad: 1.0 2.0 -7.152557373046875e-07
grad: 2.0 4.0 -2.86102294921875e-06
grad: 3.0 6.0 -5.7220458984375e-06
pregress: 99 9.094947017729282e-13

四、PyTorch Autograd自动求导

代码

import torch
x = torch.tensor(3.0, requires_grad=True)
y = torch.pow(x, 2)
# 判断x,y是否是可以求导的
print(x.requires_grad)
print(y.requires_grad)
# 求导，通过backward函数来实现
y.backward()
# 查看导数，也即所谓的梯度
print(x.grad)

运行结果