人工智能基础-作业1

-链接安装pycharm教程
-安装成功页面

链接微软官方安装pytorch教程
安装中…

安装成功

参考代码

import torch
x_data = [1, 2, 3]
y_data = [2, 4, 6]
# 三个tensor
w1 = torch.tensor([1.0])
w1.requires_grad = True
w2 = torch.tensor([2.0])
w2.requires_grad = True
b = torch.tensor([1.0])
b.requires_grad = True


def forward(x):
    return w1 * x * x + w2 * x + b


def loss(x, y):
    y_pred = forward(x)
    return (y_pred - y) * (y_pred - y)


print("训练之前", 4, forward(4).item())
# 训练过程
for epoch in range(10):
    for x, y in zip(x_data, y_data):  # 把x_data和y_data整理成一个样本（x，y）
        l = loss(x, y)  # 前馈计算，并计算出损失值，张量
        l.backward()  # 后向计算，自动把计算图中需要梯度的地方求出，存到tensor的w中，释放计算图，下次进行loss计算时，在准备下一次的计算图
        # print('grad:', x, y, w1.grad.item(), w2.grad.item())
        w1.data = w1.data - w1.grad.data * 0.01  # 张量loss中包含tensor类型的data和grad，要获得梯度（数值），而w.grad计算图，需要w.grad.data数值
        w1.grad.data.zero_()
        w2.data = w2.data - w2.grad.data * 0.01  # 张量loss中包含tensor类型的data和grad，要获得梯度（数值），而w.grad计算图，需要w.grad.data数值
        w2.grad.data.zero_()
        b.data = b.data - b.grad.data * 0.01  # 张量loss中包含tensor类型的data和grad，要获得梯度（数值），而w.grad计算图，需要w.grad.data数值
        b.grad.data.zero_()
    # print("progress", epoch, l)
print("训练之后", 4, forward(4).item())

训练10次：
训练100次：

训练1000次：
训练10000次：

eg:y=x^2,在x=3的时候它的导数为6
代码实现：

import torch
x = torch.tensor(3.0, requires_grad=True)
y = torch.pow(x, 2)
# 判断x,y是否是可以求导的
print(x.requires_grad)
print(y.requires_grad)
# 求导，通过backward函数来实现
y.backward()
# 查看导数，也即所谓的梯度
print(x.grad)

结果：
和预测结果一样。