PytorchZerotoAll学习笔记（一）

Pytorch的安装请参考torch的官方文档，传送门：https://pytorch.org/get-started/locally/

1. Numpy的复习
   1. 如果你之前没有学过Numpy的话，建议去看看cs231n的Python-numpy-tutorial：http://cs231n.github.io/python-numpy-tutorial/
2. 先给出完整的代码，接下来是代码的解读　　
   1. 　

      #导入numpy库和matplotlib里面的pyplot模块
      # tips：python语法 as ：import XXX as YYY 就是给XXX 起个别名叫 YYY
      import numpy as np
      
      import matplotlib.pyplot as plt

      # []为一个list，生成浮点数
      x_data = [1.0, 2.0, 3.0]
      y_data = [2.0, 4.0, 6.0]
      
      #前向传播的模型为 y = w * x
      # our model for the forward pass
      def forward(x):
          return x * w
      
      #损失函数采用平方误差 （y_pred-y）2
      # Loss function
      def loss(x, y):
          y_pred = forward(x)
          return (y_pred - y) * (y_pred - y)
      
      #新建两个空的列表来记录 w、mse 的值 mse为均方误差 mean square error的缩写
      w_list = []
      mse_list = []
      # tips：python小知识点：np.arrange(起始，终止，步长) 生成一个区间的数值，步长就是起始值每次往终点值移动的长度
      for w in np.arange(0.0, 4.1, 0.1):
          # 在控制台，输出w的值
          print("w=", w)
          # 定义一个接收损失的变量，并初始化为0
          l_sum = 0
          # tips： python zip函数 返回的值是：输入的两个数组对应位置组合的一个元组（）
          #  a= 【1,2,3】           zip（a，b）其实就是返回 （1,4），（2,5），（3,6）
          #  b= 【4,5,6】        
          for x_val, y_val in zip(x_data, y_data):
              #得到一个预测的值
              y_pred_val = forward(x_val)
              # 计算输入值得到的预测值和真实值之间的误差
              l = loss(x_val, y_val)
              # 误差进行求和
              l_sum += l
              print("\t", x_val, y_val, y_pred_val, l)
          print("MSE=", l_sum / 3)
          # 【】.append 向列表中追加值
          w_list.append(w)
          mse_list.append(l_sum / 3)
      # 调用画图函数
      plt.plot(w_list, mse_list)
      # 添加 x，y的标签
      plt.ylabel('Loss')
      plt.xlabel('w')
      # 将结果展示出来
      plt.show()