本节课讲的是反向传播。

课堂代码：

#反向传播课上代码

import torch

x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]

w = torch.tensor([1.0])  # w的初值为1.0
w.requires_grad = True  # 默认为False，True表示需要计算梯度


def forward(x):
    return x * w  


def loss(x, y):
    y_pred = forward(x)
    return (y_pred - y) ** 2


print("predict (before training)", 4, forward(4).item())

for epoch in range(100):
    for x, y in zip(x_data, y_data):
        l = loss(x, y)  # l是一个张量，tensor主要是在建立计算图
        l.backward()    
        print('\tgrad:', x, y, w.grad.item())
        w.data = w.data - 0.01 * w.grad.data  # 权重更新时，需要用到标量，注意grad也是一个tensor

        w.grad.data.zero_()  # 将梯度置为0

    print('progress:', epoch, l.item())  # 取出loss使用l.item，直接使用l会构建计算图

print("predict (after training)", 4, forward(4).item())

运行结果图：
　　　　　　　　　　　　　　　
课后作业：

#import datetime

# 设置函数y = x^2+2x+3   4应对应得到27
x_data = [1.0,2.0,3.0]
y_data = [6.0,11.0,18.0]

w1 = torch.Tensor([0.0])    # w1的初值为0.0
w1.requires_grad = True     # 需要计算梯度
w2 = torch.Tensor([1.0])    # w2的初值为1.0
w2.requires_grad = True
b = torch.Tensor([1.0])      # b的初值为1.0
b.requires_grad = True

def forward(x):
    return w1 * x **2 + w2 * x + b

def loss(x,y):      # 构建计算图
    y_pred = forward(x)
    return (y_pred - y) ** 2

starttime = datetime.datetime.now()

print("predict (before training)", 4, forward(4).item())

for epoch in range(10000):
    for x,y in zip(x_data,y_data):
        l = loss(x,y)
        l.backward()
        print('\tgrad:',x,y,w1.grad.item(),w2.grad.item(),b.grad.item())
        w1.data = w1.data - 0.01 * w1.grad.data # 权重更新
        w2.data = w2.data - 0.01 * w2.grad.data
        b.data = b.data - 0.01 * b.grad.data
        w1.grad.data.zero_()    # 释放之前计算的梯度
        w2.grad.data.zero_()
        b.grad.data.zero_()
    print('progress:',epoch,l.item())

print("predict (after training)", 4, forward(4).item()) #目标得到27
#endtime = datetime.datetime.now()
#print('程序运行时间：')
#c = (endtime - starttime).seconds
#print(c)

运行结果图：
通过增加训练的批次，能够使得结果更加的准确。
参考文章：参考文章1
　　　　　参考文章2