Ubuntu如何利用PyTorch进行深度学习 - 问答

Ubuntu环境下使用PyTorch进行深度学习的完整流程

1. 准备工作：系统更新与基础依赖安装

在开始前，确保Ubuntu系统包是最新的，并安装构建PyTorch所需的工具和库：

sudo apt update && sudo apt upgrade -y  # 更新系统包
sudo apt install -y build-essential cmake git wget unzip yasm pkg-config libopenblas-dev liblapack-dev libjpeg-dev libpng-dev  # 安装基础依赖

2. 安装Python与虚拟环境工具

Ubuntu通常预装Python3，需确认pip（Python包管理器）已安装，并创建虚拟环境隔离项目依赖：

sudo apt install -y python3 python3-pip  # 安装Python3和pip
sudo apt install -y python3-venv  # 安装虚拟环境工具
mkdir pytorch_project && cd pytorch_project  # 创建项目目录
python3 -m venv pytorch_env  # 创建虚拟环境
source pytorch_env/bin/activate  # 激活虚拟环境（激活后命令行前会显示环境名）

3. 安装PyTorch（CPU/GPU版本选择）

PyTorch支持CPU和GPU（CUDA）加速，需根据硬件配置选择安装方式：

CPU版本（无GPU）：直接通过pip安装官方提供的CPU版本：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu

GPU版本（需NVIDIA GPU）：
① 先安装CUDA Toolkit（参考NVIDIA官方指南）和cuDNN（需注册NVIDIA开发者账号下载）；
② 根据CUDA版本选择PyTorch安装命令（以CUDA 11.8为例）：
```
pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu118
```

验证安装：
运行Python解释器，检查PyTorch版本及GPU可用性：

import torch
print("PyTorch版本:", torch.__version__)  # 输出版本号（如2.1.0）
print("CUDA可用性:", torch.cuda.is_available())  # 若为True，说明GPU支持正常

4. 深度学习项目实战：手写数字识别（MNIST数据集）

以经典的MNIST数据集为例，演示PyTorch的完整训练流程：

数据预处理与加载：
使用torchvision.transforms对图像进行标准化（MNIST像素值范围为0-255，需归一化到[-1,1]），并通过DataLoader批量加载数据：

import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms
from torch.utils.data import DataLoader

# 定义数据预处理：转Tensor并归一化（均值0.1307，标准差0.3081）
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.1307,), (0.3081,))
])

# 加载训练集（50000张）和测试集（10000张）
train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)
test_dataset = datasets.MNIST(root='./data', train=False, download=True, transform=transform)

# 创建数据加载器（batch_size=64，训练集打乱顺序）
train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=64, shuffle=False)

定义神经网络模型：
构建一个简单的全连接网络（输入层784维→隐藏层128维→输出层10维，对应10个数字类别）：

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(28*28, 128)  # 输入层（28x28像素展平为784维）
        self.relu = nn.ReLU()             # 激活函数
        self.fc2 = nn.Linear(128, 10)     # 输出层（10个类别）

    def forward(self, x):
        x = x.view(-1, 28*28)  # 展平输入（batch_size, 784）
        x = self.relu(self.fc1(x))  # 第一层全连接+激活
        x = self.fc2(x)  # 输出层
        return x

model = Net()  # 实例化模型

定义损失函数与优化器：
使用交叉熵损失（适用于分类任务）和SGD优化器（学习率0.01）：

criterion = nn.CrossEntropyLoss()  # 交叉熵损失
optimizer = optim.SGD(model.parameters(), lr=0.01)  # SGD优化器

训练与评估模型：
迭代训练10个epoch（每个epoch遍历整个训练集），并在测试集上评估准确率：

num_epochs = 10
for epoch in range(num_epochs):
    # 训练阶段
    model.train()  # 设置模型为训练模式
    running_loss = 0.0
    for batch_idx, (data, target) in enumerate(train_loader):
        optimizer.zero_grad()  # 清空梯度
        output = model(data)   # 前向传播
        loss = criterion(output, target)  # 计算损失
        loss.backward()  # 反向传播
        optimizer.step()  # 更新参数

        running_loss += loss.item()
        if batch_idx % 100 == 0:  # 每100个batch打印一次损失
            print(f'Epoch [{epoch+1}/{num_epochs}], Step [{batch_idx}/{len(train_loader)}], Loss: {loss.item():.4f}')

    # 测试阶段
    model.eval()  # 设置模型为评估模式
    correct = 0
    total = 0
    with torch.no_grad():  # 不计算梯度
        for data, target in test_loader:
            output = model(data)
            _, predicted = torch.max(output.data, 1)  # 获取预测类别
            total += target.size(0)
            correct += (predicted == target).sum().item()

    print(f'Test Accuracy: {100 * correct / total:.2f}%')  # 输出测试准确率

5. 关键注意事项

GPU加速：若使用GPU版本PyTorch，需将模型和数据移动到GPU设备（通过device = torch.device("cuda" if torch.cuda.is_available() else "cpu")定义设备，再用.to(device)迁移模型和数据）。
扩展项目：可通过修改模型结构（如添加卷积层）、调整超参数（学习率、batch_size）或更换数据集（如CIFAR-10）实现更复杂的深度学习任务。
保存与加载模型：训练完成后，使用torch.save(model.state_dict(), 'mnist_model.pth')保存模型参数，后续通过model.load_state_dict(torch.load('mnist_model.pth'))加载。

通过以上步骤，即可在Ubuntu环境下完成PyTorch的安装与环境配置，并实现一个完整的深度学习项目。

0 赞

0 踩