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。