Centosの下でPytorchで深い学習を行う方法

Centosシステムでの深い学習にPytorchを使用するには、段階的な操作が必要です。

1。Pytorchのインストール

AnacondaまたはPIPを選択してPytorchをインストールできます。

A.アナコンダのインストール

1. Anacondaをダウンロード： Anaconda3の公式WebサイトからCentosシステム用のAnaconda3インストールパッケージをダウンロードしてください。インストールウィザードに従って、インストールを完了します。

2. 仮想環境を作成します。端末を開き、 pytorchという名前の仮想環境を作成してアクティブ化します。

    Conda Create -N Pytorch Python = 3.8
   CondaはPytorchを活性化しました

3. Pytorchをインストール：アクティブ化されたpytorch環境では、Condaを使用してPytorchをインストールします。 GPU加速が必要な場合は、CUDAとCUDNNがインストールされていることを確認し、対応するPytorchバージョンを選択してください。次のコマンドは、CUDA 11.8サポートを含むPytorchをインストールします。

    Conda Install Pytorch TorchVision Torchaudio Cudatoolkit = 11.8 -C Pytorch

4. インストールの確認： Pythonインタラクティブ環境を開始し、次のコードを実行して、Pytorchが正常にインストールされていることを確認し、GPUの可用性を確認してください。

   トーチをインポートします
   印刷（トーチ.__バージョン__）
   print（torch.cuda.is_available（））

B.ピップのインストール

1. PIPのインストール：システムにPIPがインストールされていない場合は、最初にインストールしてください。

    sudo yumインストールpython3-pip

2. Pytorchのインストール： PIPを使用してPytorchをインストールし、Tsinghua University Mirror Sourceを使用してダウンロードを高速化します。

    PIPインストールTorch TorchVision Torchaudio -F https：//pypi.tuna.tsinghua.edu.cn/simple

3. インストールの確認： Anacondaメソッドと同じ、次のコードを実行してインストールを確認します。

   トーチをインポートします
   印刷（トーチ.__バージョン__）
   print（torch.cuda.is_available（））

2。ディープラーニングプラクティス

これは、深い学習にPytorchを使用する方法を示す単純な手書きの数値認識の例です。

1. インポートライブラリ：

   トーチをインポートします
   torch.nnをnnとしてインポートします
   torch.optimを最適にインポートします
   トーチビジョンをインポートします
   torchvision.transformsを変換としてインポートします

2. モデルの定義：これは単純な畳み込みニューラルネットワーク（CNN）です。

   クラス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）＃完全に接続されたレイヤーdef forward（self、x）の入力寸法を調整します。
           x = self.pool（torch.relu（self.conv1（x）））
           x = torch.flatten（x、1）＃flatten x = self.fc1（x）
           xを返します

3. データを準備します： Mnistデータセットをダウンロードして、それを前処理します。

    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）

4. モデル、損失関数、およびオプティマイザーを初期化します。

    model = simplecnn（）
   基準= nn.crossentropyloss（）
   optimizer = optime.adam（model.parameters（）、lr = 0.001）＃adam optimizerを使用します

5. モデルのトレーニング：

   エポック= 2
   範囲のエポックの場合（エポック）：
       running_loss = 0.0
       Iの場合、列挙のデータ（train_loader、0）：
           入力、ラベル=データ
           optimizer.zero_grad（）
           出力=モデル（入力）
           損失=基準（出力、ラベル）
           loss.backward（）
           optimizer.step（）
           running_loss = loss.item（）
           Iの場合100 == 99：
               print（f '[{epoch 1}、{i 1}] loss：{running_loss / 100：.3f}'）
               running_loss = 0.0
   印刷（「完成したトレーニング」）

6. モデル評価：

   正しい= 0
   合計= 0
   torch.no_grad（）を使用して：
       test_loaderのデータの場合：
           画像、ラベル=データ
           outputs = model（画像）
           _、予測= torch.max（outputs.data、1）
           Total = labels.size（0）
           recort =（predicted == labels）.sum（）。item（）
   
   print（f'accuracy：{100 * recort / total}％ '）

この例は、基本的なフレームワークを提供します。ニーズに応じて、モデル構造、データセット、およびハイパーパラメーターを変更できます。実行する前に./dataディレクトリを作成することを忘れないでください。この例では、Adam Optimizerを使用しており、通常はSGDよりも速く収束します。完全に接続されたレイヤーの入力サイズは、プーリング層の後の出力に合わせて調整されます。

以上がCentosの下でPytorchで深い学習を行う方法の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。