Win10下Pytorch的安装和使用[斗之力三段]

简介：

看到paper的代码是用Pytorch实现的，试图理解代码，但是看不懂，只能先学一些基础教程来帮助理解。笔记本电脑配置较低，所以安装一个没有CUDA的版本就可以了。安装完之后，就可以跟着教程边学边做了。

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

1.安装：

第一步：安装anaconda，就是安装python

第二步：在cmd中直接输入

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

第三步：等一会，等二会，等三会，…，安装好了

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

2.使用：

安装anaconda会附赠一个Jupyter Notebook，用这个编写python代码赏心悦目。像Pytorch或是TensorFlow使用的数据都是张量形式，这点需要注意。

这里直接贴一个教程里的代码。理解起来还是不容易的，要首先稍微了解一下python的基本用法，之后要把代码里的逻辑慢慢理清楚，不能怕麻烦，万事开头难。

import torch
import matplotlib.pyplot as plt
import torch.nn.functional as F # 激励函数都在这

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)

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

class Net(torch.nn.Module):  # 继承 torch 的 Module
    def __init__(self, n_feature, n_hidden, n_output):
        super(Net, self).__init__()     # 继承 __init__ 功能
        # 定义每层用什么样的形式
        self.hidden = torch.nn.Linear(n_feature, n_hidden)   # 隐藏层线性输出
        self.predict = torch.nn.Linear(n_hidden, n_output)   # 输出层线性输出

    def forward(self, x):   # 这同时也是 Module 中的 forward 功能
        # 正向传播输入值, 神经网络分析出输出值
        x = F.relu(self.hidden(x))      # 激励函数(隐藏层的线性值)
        x = self.predict(x)             # 输出值
        return x

net = Net(n_feature=1, n_hidden=10, n_output=1)
print(net)  # net 的结构

# optimizer 是训练的工具
optimizer = torch.optim.SGD(net.parameters(), lr=0.2)  # 传入 net 的所有参数, 学习率
loss_func = torch.nn.MSELoss()      # 预测值和真实值的误差计算公式 (均方差)

plt.ion()   # 画图
plt.show()

for t in range(200):
    prediction = net(x)     # 喂给 net 训练数据 x, 输出预测值
    loss = loss_func(prediction, y)     # 计算两者的误差
    optimizer.zero_grad()   # 清空上一步的残余更新参数值
    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)