人工智能 | Python | 基于Tensor的人工智能编程方法 | 熟悉图像相关的数据集 | 掌握多层感知器模型和CNN模型的特性 | 掌握建模的流程、对模型结果的分析及优化

一、实验目的及要求

1. 掌握Python语言的编程方法和基于Tensor的人工智能编程方法

2. 熟悉图像相关的数据集，如iris数据集，Mnist手写数字数据集、CIFAR10目标识别数据集

3. 掌握多层感知器模型和CNN模型的特性

4. 掌握建模的流程、对模型结果的分析及优化

二、实验设备（环境）及要求

Anaconda、Jupyter Notebook、pandas、pytorch。

三、实验内容与步骤

1. 搭建pytorch环境

（1）安装Anaconda

（2）配置conda的国内镜像源

（3）创建pytorch虚拟环境

（4）在虚拟环境中安装pytorch

2. pytorch的基本用法

 1）

PyTorch的列表、张量和数组的转换

import torch
import numpy as np

# 1. 列表转张量
list_data = [1, 2, 3, 4]
tensor_from_list = torch.tensor(list_data)
print("张量（Tensor）从列表创建：", tensor_from_list)

# 2. 张量转列表
tensor_to_list = tensor_from_list.tolist()
print("列表（List）从张量转换：", tensor_to_list)

# 3. NumPy数组转张量
numpy_array = np.array([1, 2, 3, 4])
tensor_from_numpy = torch.from_numpy(numpy_array)
print("张量（Tensor）从NumPy数组创建：", tensor_from_numpy)

# 4. 张量转NumPy数组
numpy_back = tensor_from_numpy.numpy()
print("NumPy数组（ndarray）从张量转换：", numpy_back)

运行截图：

PyTorch张量切片机view（）方法：

import torch

# 假设有一个形状为 (3, 4) 的张量
tensor = torch.randn(3, 4)

# 使用 `.view()` 方法将其形状改为 (2, 6)
reshaped_tensor = tensor.view(2, 6)

print("原始张量的形状:", tensor.shape)
print("调整后张量的形状:", reshaped_tensor.shape)

运行截图：

PyTorch张量求梯度：

import torch

# 创建一个可训练的浮点数张量，设置requires_grad=True来跟踪计算历史
x = torch.tensor([1., 2., 3., 4.], requires_grad=True)
print("张量（Tensor）：", x)

# 执行一个数学运算
y = x.pow(2)  # 求张量的平方
print("平方结果：", y)

# 计算一个标量损失值，这里简单地取y的和作为示例
loss = y.sum()  # 实际场景中应使用适当的损失函数
print("损失值（Loss）：", loss)

# 应用 backward() 到损失值上
loss.backward()

# 访问张量 x 的梯度
grad_x = x.grad
print("张量 x 的梯度（即对损失求导）：", grad_x)

 运行截图：

PyTorch的矩阵压缩和扩张：

import torch

# 创建一个2x3的随机矩阵
matrix = torch.randn(2, 3)
print("原始矩阵：", matrix)

# 矩阵压缩（扁平化）
flattened_matrix = matrix.view(-1)
print("压缩后的张量：", flattened_matrix)

# 矩阵扩张（增加维度）
expanded_matrix = flattened_matrix.unsqueeze(0)
print("扩张后的张量：", expanded_matrix)

运行截图：

 2）

用 Python 实现购买2个苹果和3个橙子，苹果单价为100，橙子单价为150，消费税为10%，要求输出每个计算节点的结果：a、苹果和橙子的总价（含消费税），b、苹果数量，苹果单价，橙子单价，橙子数量和消费税这五个参数的反向传播值。

import torch

# 定义变量，并设置requires_grad=True以追踪计算历史
apple_count = torch.tensor(2., requires_grad=True)
apple_price = torch.tensor(100., requires_grad=True)
orange_count = torch.tensor(3., requires_grad=True)
orange_price = torch.tensor(150., requires_grad=True)
tax_rate = torch.tensor(0.10, requires_grad=True)

# 计算苹果和橙子的总价
apple_total = apple_count * apple_price
orange_total = orange_count * orange_price
subtotal = apple_total + orange_total
total_with_tax = subtotal * (1 + tax_rate)

# 输出每个计算节点的结果
print("苹果总价（不含税）：", apple_total.item())
print("橙子总价（不含税）：", orange_total.item())
print("总价（含消费税）：", total_with_tax.item())

# 进行反向传播计算梯度
total_with_tax.backward()

# 输出各参数的梯度（反向传播值）
print("\n反向传播值：")
print(f"苹果数量的梯度：{apple_count.grad.item()}")
print(f"苹果单价的梯度：{apple_price.grad.item()}")
print(f"橙子数量的梯度：{orange_count.grad.item()}")
print(f"橙子单价的梯度：{orange_price.grad.item()}")
print(f"消费税率的梯度：{tax_rate.grad.item()}")

运行截图：