Python 环境安装
因之前学习机器学习时已配置好pycharm + Asconvigator 环境,所以直接->show time!
个人建议:因python环境包太复杂,最好有个Anaconda Navigator来帮助管理,特别是在学习人工智能时。
base:原视环境 pytorch: 新安装的环境
切换环境如图所示:
cmd 操作avigator环境:
- conda info --envs 检查环境
- conda activate pytorch 激活环境
- python 进入python工作
- 另外,pycharm切换pytorch环境时新建解释器即可
实现反向传播
启用环境
// 反向传播算法
import torch
import matplotlib.pyplot as plt
x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]
w = torch.Tensor([3.0]) # 初始化权重
w.requires_grad = True # 说明w需要计算梯度
# 注意其中w是tensor,在实际运算中开始进行数乘。
def forward(x):
return w * x
# 损失函数的求解,构建计算图,并不是乘法或者乘方运算
def loss(x, y):
y_pred = forward(x)
return (y_pred - y) ** 2
print("Predict before training", 4, forward(4).item()) ## 打印学习之前的值,.item表示输出张量的值
learning_rate = 0.01
epoch_list = []
loss_list = []
# 训练
for epoch in range(100):
for x, y in zip(x_data, y_data):
l = loss(x, y)
l.backward() # 向后传播
print('\tgrad', x, y, w.grad.item()) # 将梯度存到w之中,随后释放计算图,w.grad.item():取出数值
w.data = w.data - learning_rate * w.grad.data # 张量中的grad也是张量,所以取张量中的data,不去建立计算图
w.grad.data.zero_() # 释放data
print("process:", epoch, l.item())
epoch_list.append(epoch)
loss_list.append(l.item())
print('Predict after training', 4, forward(4).item())
# 绘制可视化
plt.plot(epoch_list, loss_list)
plt.xlabel("epoch")
plt.ylabel("Loss")
plt.show()
结果如下: