CentOS下PyTorch如何进行深度学习

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

1. 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。

2. 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

3. 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

4. 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

1. 安装pip: 如果您的系统未安装pip，请先安装：

   sudo yum install python3-pip

2. 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

3. 验证安装: 与Anaconda方法相同，运行以下代码验证安装：

   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：

1. 导入库:

   import torch
   import torch.nn as nn
   import torch.optim as optim
   import torchvision
   import torchvision.transforms as transforms

2. 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

3. 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)

4. 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

5. 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')

6. 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。

以上是CentOS下PyTorch如何进行深度学习的详细内容。更多信息请关注PHP中文网其他相关文章！