学习Jittor第一步

因为Jittor是基于 Linux(e.g. Ubuntu/CentOS/Arch) 或 Windows Subsystem of Linux（WSL），因为想偷懒不想搞 虚拟机+Liunx（有图形界面的），所以我选择了wsl.

1、打开Microsoft store，搜索“Ubuntu”，点击星最多的版本，直接安装。

2、因为Jittor是基于python环境的，所以启动Ubuntu后直接输入“python3”  ，查看此版本Ubuntu默认的python版本

3、此时的python环境还是有最原始的程序，我们需要更新apt,输入 “sudo apt update”，更新完后用apt安装pip工具，输入

sudo apt-get purge --auto-remove python3-pip
sudo apt-get update 
sudo apt-get -y install python3-pip

，安装成功后查看pip版本，输入“pip3 --version"

4、安装好python的pip安装工具后，直接安装jittor，输入”pip install jittor“，安装成功后查看所有已安装的第三方库，输入”pip list"

安装完jittor后，我们就可以使用jittor编写python代码了，但由于Ubuntu是命令行，所以我选择使用win10系统中的VS code来远程连接此Ubuntu系统，以此来编写python代码。 

1、在win10上下载安装VS code

Visual Studio Code - Code Editing. Redefined

2、安装好后需要在VS code中下载用来连接wsl的插件“Remote-WSL”，当然还有Python。

3、在Ubuntu系统中输入“code ."，系统会自动下载服务，为了以后能靠直接输入”code .“来启动win10上的VS code，我们需要把win10上的VS code的安装路径，比如：D:\我的软件\vstudio\VSCode\安装路径\Microsoft VS Code\bin。把该地址添加到Ubuntu的PATH环境变量中，同样的，该路径也要添加到win10系统中的环境变量中。

vim 退出命令：

w:保存内容

q:退出当前文件

wq:保存内容并退出当前文件

w!:强制保存内容

q!:强制退出当前文件

4、在VS code的左下角，选择WSL：Ubuntu，进行远程连接

 ５、连接完后，点击”文件“，会出现这个文件夹，然后我们就可以在该文件夹下新建文件夹来编写python程序

 ６、如果我们想在VS　code中打开python程序，并右击选择”在终端运行python程序“，这个时候编译器是没有反应，我们需要点击”拓展“，选择Python环境，在右边点击”在WSL：Ubuntu上启用安装”，还有Ｐｙｌａｎｃｅ，

  ７、这个时候我们就可以去Jittor官网上复制一段代码来测试python编译环境

import jittor as jt
from jittor import Module
from jittor import nn
import numpy as np

#线性回归实例

#该模型是一个两层神经网络。 隐藏层的大小为10，激活函数为relu
class Model(Module):
    def __init__(self):
        self.layer1 = nn.Linear(1, 10)
        self.relu = nn.Relu() 
        self.layer2 = nn.Linear(10, 1)
    def execute (self,x) :
        x = self.layer1(x)
        x = self.relu(x)
        x = self.layer2(x)
        return x

def get_data(n): # generate random data for training test.
    for i in range(n):
        x = np.random.rand(batch_size, 1)
        y = x*x
        yield jt.float32(x), jt.float32(y)

np.random.seed(0)
jt.set_seed(3)
n = 1000
batch_size = 50

model = Model()
learning_rate = 0.1
optim = nn.SGD(model.parameters(), learning_rate)

#优化器使用简单的梯度下降，损失函数为L2距离
for i,(x,y) in enumerate(get_data(n)):
    pred_y = model(x)
    loss = ((pred_y - y)**2)
    loss_mean = loss.mean()
    optim.step (loss_mean)
    print(f"step {i}, loss = {loss_mean.data.sum()}")

assert loss_mean.data < 0.005

８、程序运行结果。

 

 至此学习Jittor第一步已经完成！