Centos의 Pytorch에서 딥 러닝을 수행하는 방법

Centos 시스템에서 딥 러닝을 위해 Pytorch를 사용하는 데는 단계별 작업이 필요합니다.

1. Pytorch 설치

Pytorch를 설치하려면 Anaconda 또는 PIP를 선택할 수 있습니다.

A. 아나콘다 설치

1. Anaconda 다운로드 : 공식 Anaconda 웹 사이트 에서 Centos 시스템 용 Anaconda3 설치 패키지를 다운로드하십시오. 설치 마법사를 따라 설치를 완료하십시오.

2. 가상 환경 만들기 : 터미널을 열고 pytorch 라는 가상 환경을 만들고 활성화하십시오.

    콘다 생성 -n pytorch python = 3.8
   콘다 활성화 된 파이 토치

3. Pytorch 설치 : 활성화 된 pytorch 환경에서 Conda를 사용하여 Pytorch를 설치하십시오. GPU 가속이 필요한 경우 CUDA 및 CUDNN이 설치되어 있는지 확인하고 해당 Pytorch 버전을 선택하십시오. 다음 명령은 Cuda 11.8 지원을 포함하는 Pytorch를 설치합니다.

    콘다 설치 Pytorch Torchvision Torchaudio Cudatoolkit = 11.8 -C Pytorch

4. 설치 확인 : Python 대화식 환경을 시작하고 다음 코드를 실행하여 Pytorch가 성공적으로 설치되었는지 확인하고 GPU 가용성을 확인하십시오.

    토치 수입
   인쇄 (토치 .__ 버전 __)
   print (torch.cuda.is_available ())

B. PIP 설치

1. PIP 설치 : 시스템이 PIP를 설치하지 않은 경우 먼저 설치하십시오.

    Sudo Yum 설치 Python3-Pip

2. Pytorch 설치 : PIP를 사용하여 Pytorch를 설치하고 Tsinghua University Mirror 소스를 사용하여 다운로드 속도를 높이십시오.

    Pip Torch Torchvision Torchaudio -f https://pypi.tuna.tsinghua.edu.cn/simple

3. 설치 확인 : Anaconda 메소드와 동일하고 다음 코드를 실행하여 설치를 확인하십시오.

    토치 수입
   인쇄 (토치 .__ 버전 __)
   print (torch.cuda.is_available ())

2. 딥 러닝 연습

다음은 딥 러닝에 Pytorch를 사용하는 방법을 보여주는 간단한 MNIST 필기 숫자 인식 예입니다.

1. 가져 오기 라이브러리 :

    토치 수입
   Torch.nn을 nn으로 가져옵니다
   Torch.optim을 최적으로 가져옵니다
   TorchVision을 가져옵니다
   torchvision.transforms를 변환으로 가져옵니다

2. 모델 정의 : 이것은 간단한 컨볼 루션 신경 네트워크 (CNN)입니다.

    클래스 simplecnn (nn.module) :
       def __init __ (self) :
           Super (simplecnn, self) .__ init __ ()
           self.conv1 = nn.conv2d (1, 32, kernel_size = 3, 패딩 = 1)
           self.pool = nn.maxpool2d (2, 2)
           self.fc1 = nn.linear (32 * 14 * 14, 10) #완전히 연결된 레이어 defforfort (self, x)의 입력 차원을 조정합니다.
           x = self.pool (Torch.relu (self.conv1 (x)))
           X = Torch.flatten (x, 1) # flatten x = self.fc1 (x)
           반환 x

3. 데이터 준비 : MNIST 데이터 세트를 다운로드하고 전처리하십시오.

    transform = transforms.compose ([transforms.totensor (), transforms.normanize ((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, 셔플 = true)
   test_loader = torch.utils.data.dataloader (test_dataset, batch_size = 1000, 셔플 = 거짓)

4. 모델, 손실 함수 및 최적화를 초기화하십시오.

    model = simplecnn ()
   기준 = nn.crossentropyloss ()
   Optimizer = Optim.adam (model.parameters (), lr = 0.001) # Adam Optimizer 사용

5. 모델 교육 :

    에포크 = 2
   레인지 (Epochs)의 Epoch의 경우 :
       running_loss = 0.0
       I의 경우, 열거 된 데이터 (Train_Loader, 0) :
           입력, 라벨 = 데이터
           Optimizer.zero_grad ()
           출력 = 모델 (입력)
           손실 = 기준 (출력, 레이블)
           loss.backward ()
           Optimizer.step ()
           running_loss = loss.Item ()
           I % 100 == 99 인 경우 :
               print (f '[{epoch 1}, {i 1}] 손실 : {running_loss / 100 : .3f}')
               running_loss = 0.0
   인쇄 ( '완료 훈련')

6. 모델 평가 :

    정확한 = 0
   총 = 0
   Torch.no_grad ()로 :
       test_loader의 데이터 :
           이미지, labels = data
           출력 = 모델 (이미지)
           _, 예측 = 토치 .max (outputs.data, 1)
           Total = labels.size (0)
           right = (예측 == 라벨) .sum (). item ()
   
   print (f'accuracy : {100 * 정확한 / Total}%')

이 예제는 기본 프레임 워크를 제공합니다. 필요에 따라 모델 구조, 데이터 세트 및 하이퍼 파라미터를 수정할 수 있습니다. 실행하기 전에 ./data 디렉토리를 만들어야합니다. 이 예제는 Adam Optimizer를 사용하며 일반적으로 SGD보다 빠르게 수렴합니다. 완전히 연결된 레이어의 입력 크기는 풀링 레이어 후 출력에 맞게 조정됩니다.

위 내용은 Centos의 Pytorch에서 딥 러닝을 수행하는 방법의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!