人工智能基础第一次作业

PyTorch安装

PyTorch可以在 https://pytorch.org/get-started/locally/ 网站进行安装。

由最新的pytorch的windows版本不支持CUDA-10.2，所以我选择CUDA 11.3.下面是用pip进行安装

复制Run this Command里的命令，打开cmd输入.
安装完毕后进行测试，发现已经安装成功！

Conda安装首先你要有安装Anaconda3， 然后打开Anaconda Prompt，在里面输入Run this Command里的即可,出现下面提示时选择y即可

如果安装太慢，可以先在Anaconda Prompt输入下面的命令更换镜像源

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/pro/

1
2
3
4
5
6
7
8
9
10

更换了之后，需要把官网给出的命令后面-c pytorch删除，因为-c命令是指定下载源

PS:安装的时候要把梯子关掉，不然会报ProxyError

pytorch实现反向传播
首先，反向传播算法的目的是找到一组能最大限度地减小误差的权重，在反向传播中使用的方法是梯度下降法。 在这个算法中，误差会从输出结点反向传播到输入结点。

1.链式法则
在学习反向传播之前，首先要知道链式法则是什么东西。

这就是基本的链式法则，他会形成如下的计算图(三个单变量的情况)：

计算误差函数对权重的导数
设误差函数为C CC，权重为w i w_iw
i
​
，如下图(下面所有的图均来自ML Lecture 7)：

那么有



会发现仅仅是两层，式子就变得非常复杂，如果要计算当前层的答案，必须要把下一层的东西计算出来。

但是如果从输出端往前推，会发现计算变得与前向传播一样，很好计算。

pytorch实现
下面是代码实现（代码来自：Pytorch深度学习（三）：反向传播）

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()


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43

可以在可视化图中看到，随着迭代次数的增加，损失函数的值越来越小