在centos系统上利用pytorch进行深度学习，需要分步操作：
一、PyTorch安装
您可以选择Anaconda或pip两种方式安装PyTorch。
A. Anaconda安装
-
下载Anaconda: 从Anaconda官方网站下载适用于CentOS系统的Anaconda3安装包。按照安装向导完成安装。
-
创建虚拟环境: 打开终端，创建名为
pytorch的虚拟环境并激活：conda create -n pytorch python=3.8 conda activate pytorch
-
安装PyTorch: 在激活的
pytorch环境中，使用conda安装PyTorch。如果您需要GPU加速，请确保已安装CUDA和cuDNN，并选择相应的PyTorch版本。以下命令安装包含CUDA 11.8支持的PyTorch：conda install pytorch torchvision torchaudio cudatoolkit=11.8 -c pytorch
-
验证安装: 启动Python交互式环境，运行以下代码验证PyTorch是否安装成功，并检查GPU可用性：
import torch print(torch.__version__) print(torch.cuda.is_available())
B. pip安装
-
安装pip: 如果您的系统未安装pip，请先安装：
sudo yum install python3-pip
-
安装PyTorch: 使用pip安装PyTorch，并使用清华大学镜像源加速下载：
pip install torch torchvision torchaudio -f https://pypi.tuna.tsinghua.edu.cn/simple
-
验证安装: 与Anaconda方法相同，运行以下代码验证安装：
Zend_API 深入_PHP_内核下载”扩展PHP“说起来容易做起来难。PHP已经进化成一个日趋成熟的源码包几十兆大小的工具。要骇客如此复杂的一个系统，不得不学习和思考。构建本章内容时，我们最终选择了“在实战中学习”的方式。这不是最科学也不是最专业的方式，但是此方式最有趣，也得出了最好的最终结果。下面的部分，你将先快速的学习到，如何获得最基本的扩展，且这些扩展立即就可运行。然后你将学习到 Zend 的高级 API 功能，这种方式将不得
import torch print(torch.__version__) print(torch.cuda.is_available())
二、深度学习实践
以下是一个简单的MNIST手写数字识别示例，演示如何使用PyTorch进行深度学习：
-
导入库:
import torch import torch.nn as nn import torch.optim as optim import torchvision import torchvision.transforms as transforms
-
定义模型: 这是一个简单的卷积神经网络 (CNN):
class SimpleCNN(nn.Module): def __init__(self): super(SimpleCNN, self).__init__() self.conv1 = nn.Conv2d(1, 32, kernel_size=3, padding=1) self.pool = nn.MaxPool2d(2, 2) self.fc1 = nn.Linear(32 * 14 * 14, 10) #调整全连接层输入维度 def forward(self, x): x = self.pool(torch.relu(self.conv1(x))) x = torch.flatten(x, 1) # 展平 x = self.fc1(x) return x -
准备数据: 下载MNIST数据集并进行预处理：
transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,))]) train_dataset = torchvision.datasets.MNIST(root='./data', train=True, download=True, transform=transform) test_dataset = torchvision.datasets.MNIST(root='./data', train=False, download=True, transform=transform) train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True) test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=1000, shuffle=False)
-
初始化模型、损失函数和优化器:
model = SimpleCNN() criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001) # 使用Adam优化器
-
训练模型:
epochs = 2 for epoch in range(epochs): running_loss = 0.0 for i, data in enumerate(train_loader, 0): inputs, labels = data optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() if i % 100 == 99: print(f'[{epoch + 1}, {i + 1}] loss: {running_loss / 100:.3f}') running_loss = 0.0 print('Finished Training') -
模型评估:
correct = 0 total = 0 with torch.no_grad(): for data in test_loader: images, labels = data outputs = model(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print(f'Accuracy: {100 * correct / total}%')
这个例子提供了一个基本的框架。您可以根据自己的需求修改模型结构、数据集和超参数。 记住在运行之前创建./data目录。 这个例子使用了Adam优化器，通常比SGD收敛更快。 也调整了全连接层的输入大小以适应池化层后的输出。
