人工智能基础 作业1

1 安装pycharm，配置好python开发环境

1.下载pycharm

 https://www.jetbrains.com/pycharm/download/

 PyCharm下载时选择Community 版本为免费版本

 

2.安装Anaconda

https://mirrors.tuna.tsinghua.edu.cn/anaconda/

3.环境配置 

以上内容详情请看Python环境配置教程（超详细图文版）_qq_35789981的博客-CSDN博客_python环境配置

2安装PyTorch

进入pytorch官网：PyTorch

根据自己电脑配置选择CUDA版本

 详情请看

 PyTorch 最新安装教程（2021-07-27）_ZSYL的博客-CSDN博客_pytorch安装

3pytorch反向传播

训练的目的，是为了让损失更小，即在训练过程中不断更新ω的值，以使得loss最小。

所以我们在梯度下降的过程中，就是观察，并使其取向最小的趋势训练。

import torch
from torch.utils.data import DataLoader, TensorDataset
import matplotlib.pyplot as plt

# 生成一个二次函数数据
X = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)
Y = X.pow(2) + 0.2 * torch.rand(X.size())

# 将数据转换成TensorDataset
data_set = TensorDataset(X, Y)
# 定义数据加载器
loader = DataLoader(data_set, batch_size=32, shuffle=True)


# 定义神经网络
class Net(torch.nn.Module):
    def __init__(self, n_feature, n_hidden, n_output):
        super(Net, self).__init__()
        # 隐藏层
        self.hidden = torch.nn.Linear(n_feature, n_hidden)
        # 输出层
        self.predict = torch.nn.Linear(n_hidden, n_output)

    def forward(self, x):
        # 隐藏层+激活函数
        x = torch.relu(self.hidden(x))
        # 输出层
        x = self.predict(x)
        return x


# 定义网络：10个神经元的隐藏层
net = Net(1, 10, 1)
# 定义损失函数和优化器
loss_func = torch.nn.MSELoss()
optimizer = torch.optim.SGD(net.parameters(), lr=0.5)
# 训练
for t in range(100):
    for x, y in loader:
        # 前向传播
        prediction = net(x)
        # 计算损失
        loss = loss_func(prediction, y)
        # 清零反向传播梯度（pytorch的特性，会累加梯度）
        optimizer.zero_grad()
        # 反向传播
        loss.backward()
        # 更新参数
        optimizer.step()
    if t % 5 == 0:
        print('t:', t, 'loss:', loss.data.numpy())

# 预测
Y_hat = net(X)
# 原始数据
plt.scatter(X.data.numpy(), Y.data.numpy())
# 预测数据
plt.plot(X.data.numpy(), Y_hat.data.numpy(), 'r-', lw=5)
plt.show()