Win10下Pytorch的安裝和使用[斗之力三段]

簡介：

看到paper的代碼是用Pytorch實現的，試圖理解代碼，但是看不懂，只能先學一些基礎教程來幫助理解。筆記本電腦配置較低，所以安裝一個沒有CUDA的版本就可以了。安裝完之后，就可以跟着教程邊學邊做了。

參考教程：https://morvanzhou.github.io/tutorials/machine-learning/torch/

1.安裝：

第一步：安裝anaconda，就是安裝python

第二步：在cmd中直接輸入

pip3 install http://download.pytorch.org/whl/cpu/torch-1.0.0-cp36-cp36m-win_amd64.whl
pip3 install torchvision

第三步：等一會，等二會，等三會，…，安裝好了

參考：https://pytorch.org/get-started/locally/

2.使用：

安裝anaconda會附贈一個Jupyter Notebook，用這個編寫python代碼賞心悅目。像Pytorch或是TensorFlow使用的數據都是張量形式，這點需要注意。

這里直接貼一個教程里的代碼。理解起來還是不容易的，要首先稍微了解一下python的基本用法，之后要把代碼里的邏輯慢慢理清楚，不能怕麻煩，萬事開頭難。

import torch
import matplotlib.pyplot as plt
import torch.nn.functional as F # 激勵函數都在這

x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)  # x data (tensor), shape=(100, 1)
y = x.pow(2) + 0.2*torch.rand(x.size())                 # noisy y data (tensor), shape=(100, 1)

# 畫圖
%matplotlib inline
plt.scatter(x.data.numpy(), y.data.numpy())

class Net(torch.nn.Module):  # 繼承 torch 的 Module
    def __init__(self, n_feature, n_hidden, n_output):
        super(Net, self).__init__()     # 繼承 __init__ 功能
        # 定義每層用什么樣的形式
        self.hidden = torch.nn.Linear(n_feature, n_hidden)   # 隱藏層線性輸出
        self.predict = torch.nn.Linear(n_hidden, n_output)   # 輸出層線性輸出

    def forward(self, x):   # 這同時也是 Module 中的 forward 功能
        # 正向傳播輸入值, 神經網絡分析出輸出值
        x = F.relu(self.hidden(x))      # 激勵函數(隱藏層的線性值)
        x = self.predict(x)             # 輸出值
        return x

net = Net(n_feature=1, n_hidden=10, n_output=1)
print(net)  # net 的結構

# optimizer 是訓練的工具
optimizer = torch.optim.SGD(net.parameters(), lr=0.2)  # 傳入 net 的所有參數, 學習率
loss_func = torch.nn.MSELoss()      # 預測值和真實值的誤差計算公式 (均方差)

plt.ion()   # 畫圖
plt.show()

for t in range(200):
    prediction = net(x)     # 喂給 net 訓練數據 x, 輸出預測值
    loss = loss_func(prediction, y)     # 計算兩者的誤差
    optimizer.zero_grad()   # 清空上一步的殘余更新參數值
    loss.backward()
    optimizer.step()

    if t % 5 == 0:
        # plot and show learning process
        plt.cla()
        plt.scatter(x.data.numpy(), y.data.numpy())
        plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)
        plt.text(0.5, 0, 'Loss=%.4f' % loss.data.numpy(), fontdict={'size': 20, 'color':  'red'})
        plt.pause(0.1)