Ubuntu上PyTorch的网络编程教程

以下是一份Ubuntu上PyTorch网络编程的简要教程：

环境准备

首先安装Python和PyTorch，可使用pip或conda安装。以pip为例：

sudo apt update
sudo apt install python3 python3-pip
pip3 install torch torchvision torchaudio

若需GPU支持，安装CUDA和对应版本的PyTorch。

设计网络结构

采用模块化设计，将网络不同部分封装成独立类或函数。可参考ResNet等经典架构，根据数据特性和任务需求设计。例如定义一个简单的全连接网络：

import torch.nn as nn
import torch.nn.functional as F

class SimpleNet(nn.Module):
    def __init__(self):
        super(SimpleNet, self).__init__()
        self.fc1 = nn.Linear(784, 128)
        self.fc2 = nn.Linear(128, 10)

    def forward(self, x):
        x = x.view(-1, 784)
        x = F.relu(self.fc1(x))
        x = self.fc2(x)
        return x

训练和验证

编写训练和验证循环，使用交叉熵损失函数和Adam优化器：

import torch.optim as optim

model = SimpleNet()
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

# 假设已有train_loader和val_loader
for epoch in range(num_epochs):
    model.train()
    for inputs, labels in train_loader:
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

    model.eval()
    with torch.no_grad():
        total = 0
        correct = 0
        for inputs, labels in val_loader:
            outputs = model(inputs)
            _, predicted = torch.max(outputs.data, 1)
            total += labels.size(0)
            correct += (predicted == labels).sum().item()
    print(f'Epoch [{epoch+1}/{num_epochs}], Accuracy: {100 * correct / total:.2f}%')

分布式训练（可选）

若需分布式训练，可使用torch.distributed模块。安装NCCL库（用于GPU通信），配置环境变量后编写分布式训练代码，使用mpirun或torch.distributed.launch启动训练。

模型保存与加载

使用torch.save和torch.load函数保存和加载模型：

# 保存模型
torch.save(model.state_dict(), 'model.pth')

# 加载模型
model = SimpleNet()
model.load_state_dict(torch.load('model.pth'))