人工智能基础作业1

• • 一、pycharm和pytorch安装
  • 二、pytorch实现反向传播
  • 三，PyTorch Autograd自动求导

pycharm在官网https://www.jetbrains.com/pycharm/download/#section=windows进行下载，下载完成后正常安装即可。

pytorch可以在官网https://pytorch.org/get-started/locally/进行安装。
最新的pytorch的windows版本不支持CUDA-10.2，选择CUDA 11.3。使用pip进行安装。

安装完毕后测试，安装已完成。

import torch

x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]

w = torch.Tensor([1.0])  #权重初始值
w.requires_grad = True  # 是否需要计算梯度


def forward(x):
    return x * w  # w是一个Tensor


def loss(x, y):#损失函数
    y_pred = forward(x)
    return (y_pred - y) ** 2


print("predict (before training)", 4, forward(4).item())

for epoch in range(100):
    for x, y in zip(x_data, y_data):
        l = loss(x, y)  # l是一个张量，tensor主要是在建立计算图 forward, compute the loss
        l.backward()  # backward,compute grad for Tensor whose requires_grad set to True
        print('tgrad:', x, y, w.grad.item())
        w.data = w.data - 0.01 * w.grad.data  # 权重更新时，需要用到标量，注意grad也是一个tensor

        w.grad.data.zero_()  # after update, remember set the grad to zero

    print('progress:', epoch, l.item())  # 取出loss使用l.item，不要直接使用l（l是tensor会构建计算图）

print("predict (after training)", 4, forward(4).item())

运行结果（部分）：

例：y=x^2,在x=3的时候它的导数为6

import torch
x = torch.tensor(3.0, requires_grad=True)
y = torch.pow(x, 2)
print(x.requires_grad)
print(y.requires_grad)
y.backward()
print(x.grad)

结果：