Anaconda环境安装

1、安装anaconda

Index of /anaconda/archive/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror

2、安装pycharm，安装Community版本的

Download PyCharm: Python IDE for Professional Developers by JetBrains

3、在anaconda中创建python环境

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：

4、打开pycharm写代码

1】导入环境

5、神经网络代码

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