[作业人工智能]作业1-Pytorch实现反向传播

分享

关于Python使用的一些个人分享，

包管理

在日常学习当中，我们完成任务一般只用到特定的库，且使用的Python版本不完全相同（尤其是一些仅存在于Python2.7的包），为了方便管理和打包，

我们可以安装多个版本Python，每个只安装特定模块，

完成特定任务（如机器学习相关算法）使用时在Pycharm中导入对应环境即可。

另外，使用开源环境Anaconda3对于包管理十分有效，十分推荐用于机器学习、数学分析等相关工作。

虚拟环境

在项目开发时，还推荐使用Python的venv，它可以有效和本机的全局Python环境隔离开，每个项目都可以拥有独立的依赖包环境，这样就可以做到互不影响。

# 在Windows环境下
# 创建新的虚拟环境
python3 -m venv new_environment_path
# 激活虚拟环境
cd new_environment_path
./Scripts/activate
# 推出虚拟环境
deactivate
# 包安装可以使用PIP或requirements.txt安装

在Pycharm当中，也可以基于所选版本环境，方便的创建虚拟环境，

自动求导机制

autograd包为张量上的所有 *** 作提供了自动求导机制，可以做到在运行中确定反向传播。

在Pytorch中每个变量都存在两个属性，requires_grad和volatile.如果requires_grad为True，将会自动追踪对张量的 *** 作，完成 *** 作后，可以使用.backward()自动计算所有梯度。

import torch
from torch.autograd import Variable

x = Variable(torch.Tensor([2]), requires_grad=True)
y = x + 1
z = y ** 2
# 使用自动求导
z.backward()
print(x.grad)

该函数求导为2x+2,2处的导数为6。

反向传播

在学习中使用了博主Joker-Tong的问题和代码:

问题简述:已知学习时间x与分数y的三组数据,推断x=4时的y值

import torch
import matplotlib.pyplot as plt

x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]
# 设置权重W
w = torch.tensor([1.0])  # 假设 w = 1.0的情况
w.requires_grad = True

def forward(x):  # y^ = wx
    return x * w  # w是tensor 所以 这个乘法自动转换为tensor数乘 , x被转化成tensor 这里构建了一个计算图
def loss(x, y):  # 计算单个的误差 : 损失
    '''
    每调用一次loss函数,计算图自动构建一次
    :param x:
    :param y:
    :return:
    '''
    y_pred = forward(x)
    return (y_pred - y) ** 2

eli = []
lli = []
print('predict (before training)', 4, forward(4).item())
for epoch in range(100):  # 每轮输出 w的值和损失 loss
    for x, y in zip(x_data, y_data):
        l = loss(x, y)
        l.backward()  # 自动求梯度
        print('\tgrad:', x, y, w.grad.item())
        w.data = w.data - 0.01 * w.grad.data    # 权重的数值更新,纯数值的修改 如果不用.data会新建计算图
        # 如果这里想求平均值 其中的累加 *** 作 要写成sum += l.item()
        w.grad.data.zero_()     # 清空权重里梯度的数据,不然梯度会累加
    eli.append(epoch)
    lli.append(l.item())
    print('progress:', epoch + 1, l.item())
print('Predict (after training)', 4, forward(4).item())

# 绘制函数
plt.plot(eli, lli)
plt.ylabel('Loss')
plt.xlabel('w')
plt.show()

​ Loss变化图

轮次1：

轮次10：

最后轮次与预测结果：

到第100轮次时，根据w预测的结果数值逼近8，相当接近假设为线性函数的取值。

附参考文章:

pytorch(三) Back Propagation 反向传播 (附详细代码+图解计算图)_Joker-Tong的博客-CSDN博客_pytorch反向传播代码@Joker-Tong