人工智能-作业1：PyTorch实现反向传播

• 安装PyCharm
• 安装Pytorch
• 使用Pytorch实现反向传播

官网下载https://www.jetbrains.com/pycharm/download
选择Community的Download下载安装包然后打开
安装完成

1.找到自己对应的驱动版本

为511.69然后在下表找出对应的CUDA版本

2.在Pytorch官网

使用pip3下载
3.检查是否成功安装Pytorch，在Anaconda Prompt中执行命令，输出ture则为成功

详情可见06 Pytorch实现反向传播_蓝子娃娃的博客-CSDN博客_pytorch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MES
def loss(x,y):
    y_pred = forward(x)
    return 1/2*torch.sum((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

得到的结果（第100次）: