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