Ubuntu上PyTorch有哪些官方教程 - 问答

PyTorch官方教程及核心安装/配置指南（Ubuntu环境）

PyTorch官方并未针对Ubuntu发布单独的“官方教程”，但提供了通用的安装说明、环境配置步骤及基础编程示例，适用于Ubuntu等Linux系统。以下是官方推荐的关键内容及常见操作流程：

一、官方安装与配置指南

1. 系统准备

在Ubuntu上使用PyTorch前，需确保系统满足基础要求：

安装Python 3.8及以上版本（推荐使用python3命令）；
安装pip（Python包管理工具，可通过sudo apt install python3-pip获取）；
（可选）创建虚拟环境以隔离项目依赖（推荐使用venv模块：python3 -m venv pytorch_env && source pytorch_env/bin/activate）。

2. PyTorch安装

PyTorch提供pip和conda两种主流安装方式，需根据硬件配置（CPU/GPU）选择对应命令：

CPU版本（无GPU加速）：直接通过pip安装预编译包：
pip3 install torch torchvision torchaudio
GPU版本（需NVIDIA GPU及CUDA支持）：
① 访问PyTorch官网（pytorch.org/get-started/locally/），选择“Linux”“pip”“Python 3.x”“CUDA版本”（如11.7），生成对应安装命令（例如CUDA 11.7）：
pip3 install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
② 安装前需确保系统已安装对应版本的CUDA Toolkit（可从NVIDIA官网下载）及cuDNN库（匹配CUDA版本）。

3. 安装验证

安装完成后，通过Python交互环境验证PyTorch是否正常工作：

import torch
print(torch.__version__)  # 输出PyTorch版本号（如2.0.1）
print(torch.cuda.is_available())  # 若为True，说明GPU加速可用

若torch.cuda.is_available()返回True，则表示GPU配置成功。

二、基础编程示例（官方风格）

安装完成后，可通过以下简单示例熟悉PyTorch的核心功能：

1. 张量操作

import torch
# 创建随机张量
x = torch.rand(5, 3)  # 5行3列的随机张量（范围[0,1]）
y = torch.rand(5, 3)
# 矩阵乘法
z = torch.matmul(x, y)
print(z)

2. 简单神经网络

import torch
import torch.nn as nn
import torch.optim as optim

# 定义一个简单的全连接神经网络
class SimpleNet(nn.Module):
    def __init__(self):
        super(SimpleNet, self).__init__()
        self.fc = nn.Linear(784, 10)  # 输入维度784（如MNIST图像展平），输出维度10（类别数）
    
    def forward(self, x):
        x = x.view(-1, 784)  # 将输入展平为向量
        return self.fc(x)

# 实例化模型、定义损失函数与优化器
model = SimpleNet()
criterion = nn.CrossEntropyLoss()  # 交叉熵损失（适用于分类任务）
optimizer = optim.SGD(model.parameters(), lr=0.01)  # 随机梯度下降优化器

# 模拟输入数据与标签
inputs = torch.randn(64, 1, 28, 28)  # 64张28x28的灰度图像（模拟MNIST数据集）
targets = torch.randint(0, 10, (64,))  # 64个随机标签（0-9）

# 前向传播、计算损失、反向传播与优化
outputs = model(inputs)
loss = criterion(outputs, targets)
optimizer.zero_grad()  # 清空梯度
loss.backward()  # 反向传播计算梯度
optimizer.step()  # 更新模型参数

print(f'Loss: {loss.item():.4f}')  # 输出损失值

三、官方资源推荐

若需更深入的学习，可参考PyTorch官方提供的以下资源：

官方文档：涵盖API详解、高级功能（如分布式训练、自定义算子）及常见问题解答（pytorch.org/docs）；
教程代码：GitHub上的官方示例代码（如图像分类、自然语言处理），可直接运行并修改（github.com/pytorch/examples）；
在线课程：PyTorch官方与Udacity、Coursera合作的付费课程（如《Deep Learning with PyTorch》）。

以上内容整合了PyTorch官方的安装说明、基础示例及资源链接，适用于Ubuntu环境下的PyTorch入门与开发。

0 赞

0 踩