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=3.8conda activate pytorch
登录后复制
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
登录后复制
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 torchprint(torch.__version__)print(torch.cuda.is_available())
登录后复制登录后复制
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
登录后复制
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
登录后复制
验证安装: 与Anaconda方法相同，运行以下代码验证安装：
- import torchprint(torch.__version__)print(torch.cuda.is_available())
登录后复制登录后复制
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 torchimport torch.nn as nnimport torch.optim as optimimport torchvisionimport torchvision.transforms as transforms
登录后复制
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
登录后复制
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)
登录后复制
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
登录后复制
训练模型:
- epochs = 2for 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 = 0.0print('Finished Training')
登录后复制
模型评估:
- correct = 0total = 0with 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}%')
登录后复制
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。
以上就是CentOS下PyTorch如何进行深度学习的详细内容，更多请关注【创想鸟】其它相关文章！
