人工智能---pytorch反向传播

一.安装python

1.从官网上下载pycharm

选择Community版本，按照默认来连点确认即可

2.安装python解释器
进入官网点击下载本人选择windows版本
在此界面中选择 Windows installer，并在随后安装中选择自定义路径
并且添加环境变量

随后选择默认选项，等待安装完成。

完成后在命令窗口测试是否安装成功。

如图显示安装成功。

二.安装pytorch

1.查找英伟达驱动版本号：
2.根据版本号选择pytorch对应版本，我是最新版
复制 Run this Command 中内容，并在命令框中打开
因为我成功下载完成，当最后出现succesfully installed 说明已完成安装。

三.在pycharm中进行测试

点击file中的setting
选择python interpret 点击右上角设置，选择show all

在出现页面
将上方两个选项打上勾。在选择OK至此成共创建pytorch环境。
然后输入如下代码，测试是否成功：

from __future__ import print_function
import torch
x =  torch.empty(5,3)
print(x)

出现如下界面显示成功。

四. 反向传播

1.使用pythorch实现反向传播

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

最后出现结果如下：

详情参考：篮子娃娃博客 06 Pytorch实现反向传播