CentOS下PyTorch如何进行深度学习

在CentOS系统下使用PyTorch进行深度学习，通常需要以下几个步骤：

安装PyTorch

使用Anaconda安装

1. 安装Anaconda： 访问Anaconda官方下载页面，下载适合CentOS系统的Anaconda3安装包，并按照提示完成安装。

2. 创建并激活虚拟环境：

   conda create -n pytorch python=3.8
   conda activate pytorch
   

3. 安装PyTorch： 在激活的虚拟环境中，使用conda安装PyTorch。如果需要GPU支持，确保已安装相应版本的CUDA和cuDNN，并选择支持GPU的版本：

   conda install pytorch torchvision torchaudio cudatoolkit=11.8 -c pytorch
   

4. 验证安装： 启动Python交互式环境，输入以下命令验证PyTorch是否安装成功：

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

使用pip安装

1. 安装pip（如果尚未安装）：

   sudo yum install python3-pip
   

2. 安装PyTorch： 使用pip安装PyTorch，可以通过指定清华大学的镜像源来加速下载速度：

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

3. 验证安装：

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

进行深度学习

1. 导入必要的库：

   import torch
   import torch.nn as nn
   import torch.optim as optim
   from torchvision import datasets, transforms
   

2. 定义模型结构：

   class SimpleCNN(nn.Module):
       def __init__(self):
           super(SimpleCNN, self).__init__()
           self.conv1 = nn.Conv2d(1, 32, kernel_size=3, stride=1, padding=1)
           self.fc1 = nn.Linear(32 * 28 * 28, 10)
   
       def forward(self, x):
           x = F.relu(self.conv1(x))
           x = x.view(-1, 32 * 28 * 28)
           x = self.fc1(x)
           return x
   

3. 准备数据：

   transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])
   train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)
   train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True)
   

4. 初始化模型、损失函数和优化器：

   model = SimpleCNN()
   criterion = nn.CrossEntropyLoss()
   optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9)
   

5. 训练模型：

   num_epochs = 10
   for epoch in range(num_epochs):
       for i, (images, labels) in enumerate(train_loader):
           # 前向传播
           outputs = model(images)
           loss = criterion(outputs, labels)
   
           # 反向传播和优化
           optimizer.zero_grad()
           loss.backward()
           optimizer.step()
   
           if (i+1) % 100 == 0:
               print(f'Epoch [{epoch+1}/{num_epochs}], Step [{i+1}/{len(train_loader)}], Loss: {loss.item():.4f}')
   

6. 模型评估：

   model.eval()  # 切换到评估模式
   with torch.no_grad():  # 不计算梯度
       correct = 0
       total = 0
       for data, labels in test_loader:
           outputs = model(data.view(-1, 784))
           _, predicted = torch.max(outputs.data, 1)
           total += labels.size(0)
           correct += (predicted == labels).sum().item()
   
       print(f'Accuracy of the network on the 10000 test images: {100 * correct / total}%')