Index of /anaconda/archive/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror
Download PyCharm: Python IDE for Professional Developers by JetBrains
1】创建一个masr_env(名字可改)环境: conda create -n masr_env python=3.6
2】激活该环境:conda activate masr_env
3】安装其他的库:
conda install pandas
conda install numpy
conda install matplotlib
有时候网速太慢,可替换国内的下载源
pip install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install -U scikit-learn
安装方式有两种,一种使用,conda install pandas,或者,pip install pandas。
4】安装GPU版本的pytorch
方式一:
GPU版本pyTorch安装教程(实测,特别详细)_楊龘龘的博客-CSDN博客
GPU版本PyTorch详细安装教程_吉果果、的博客-CSDN博客_pytorch gpu安装
方式二:
或者可以先查看电脑对应的cuda版本,如果存在的话,在这个链接中下载对应版本的whl文件
https://download.pytorch.org/whl/torch_stable.html
例如下载对应的python3.6版本
cu111/torch-1.10.0%2Bcu111-cp36-cp36m-win_amd64.whl
cu111/torchvision-0.10.1%2Bcu111-cp36-cp36m-win_amd64.whl
下载完成后,安装
pip install torch-1.1.0-cp37-cp37m-win_amd64.whl pip install torchvision-0.3.0-cp37-cp37m-win_amd64.whl
5】安装CPU版本的pytorch
这个比较简单,直接官网下载,如果下载太慢,可以使用下面教程
CPU版本的Pytorch安装教程(AMD显卡),附详细图解_Forever@的博客-CSDN博客
6】查看当前有哪些环境: conda env list
7】删除环境:conda remove -n masr_env --all
8】环境所在目录:
1】导入环境
import torch
import torch.nn as nn
import torch.nn.functional as F
import matplotlib.pyplot as plt
from torch.autograd import Variable
x = torch.unsqueeze(torch.linspace(-1,1,100),dim=1)
y = x.pow(3)+0.1*torch.randn(x.size())
x , y =(Variable(x),Variable(y))
plt.scatter(x.data,y.data)
# 或者采用如下的方式也可以输出x,y
# plt.scatter(x.data.numpy(),y.data.numpy())
plt.show()
class Net(nn.Module):
def __init__(self,n_input,n_hidden,n_output):
super(Net,self).__init__()
self.hidden1 = nn.Linear(n_input,n_hidden)
self.hidden2 = nn.Linear(n_hidden,n_hidden)
self.predict = nn.Linear(n_hidden,n_output)
def forward(self,input):
out = self.hidden1(input)
out = F.relu(out)
out = self.hidden2(out)
out = F.sigmoid(out)
out =self.predict(out)
return out
net = Net(1,20,1)
print(net)
optimizer = torch.optim.SGD(net.parameters(),lr = 0.1)
loss_func = torch.nn.MSELoss()
for t in range(5000):
prediction = net(x)
loss = loss_func(prediction,y)
optimizer.zero_grad()
loss.backward()
optimizer.step()
if t%5 ==0:
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, fontdict={'size': 20, 'color':'red'})
plt.pause(0.05)
参考
超详细的Pycharm+Anconda安装配置教程_罅隙`的博客-CSDN博客
Pytorch神经网络极简入门(回归)_算法黑哥的博客-CSDN博客