CentOS下PyTorch如何進行深度學習

在CentOS系統上利用PyTorch進行深度學習，需要分步操作：

一、PyTorch安裝

您可以選擇Anaconda或pip兩種方式安裝PyTorch。

A. Anaconda安裝

1. 下載Anaconda:從Anaconda官方網站下載適用於CentOS系統的Anaconda3安裝包。按照安裝嚮導完成安裝。

2. 創建虛擬環境:打開終端，創建名為pytorch的虛擬環境並激活：

    conda create -n pytorch python=3.8
   conda activate pytorch

3. 安裝PyTorch:在激活的pytorch環境中，使用conda安裝PyTorch。如果您需要GPU加速，請確保已安裝CUDA和cuDNN，並選擇相應的PyTorch版本。以下命令安裝包含CUDA 11.8支持的PyTorch：

    conda install pytorch torchvision torchaudio cudatoolkit=11.8 -c pytorch

4. 驗證安裝:啟動Python交互式環境，運行以下代碼驗證PyTorch是否安裝成功，並檢查GPU可用性：

    import torch
   print(torch.__version__)
   print(torch.cuda.is_available())

B. pip安裝

1. 安裝pip:如果您的系統未安裝pip，請先安裝：

    sudo yum install python3-pip

2. 安裝PyTorch:使用pip安裝PyTorch，並使用清華大學鏡像源加速下載：

    pip install torch torchvision torchaudio -f https://pypi.tuna.tsinghua.edu.cn/simple

3. 驗證安裝:與Anaconda方法相同，運行以下代碼驗證安裝：

    import torch
   print(torch.__version__)
   print(torch.cuda.is_available())

二、深度學習實踐

以下是一個簡單的MNIST手寫數字識別示例，演示如何使用PyTorch進行深度學習：

1. 導入庫:

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

2. 定義模型:這是一個簡單的捲積神經網絡(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) #調整全連接層輸入維度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. 準備數據:下載MNIST數據集並進行預處理：

    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、損失函數和優化器:

    model = SimpleCNN()
   criterion = nn.CrossEntropyLoss()
   optimizer = optim.Adam(model.parameters(), lr=0.001) # 使用Adam優化器

5. 訓練模型:

    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. 模型評估:

    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}%')

這個例子提供了一個基本的框架。您可以根據自己的需求修改模型結構、數據集和超參數。 記住在運行之前創建./data目錄。 這個例子使用了Adam優化器，通常比SGD收斂更快。 也調整了全連接層的輸入大小以適應池化層後的輸出。

以上是CentOS下PyTorch如何進行深度學習的詳細內容。更多資訊請關注PHP中文網其他相關文章！