Die Verwendung von Pytorch für Deep Learning im CentOS-System erfordert einen Schritt-für-Schritt-Betrieb:

1. Pytorch -Installation

Sie k?nnen Anaconda oder PIP ausw?hlen, um Pytorch zu installieren.

A. Anaconda Installation

1. Laden Sie Anaconda herunter: Laden Sie das Anaconda3 -Installationspaket für CentOS -System von der offiziellen Anaconda -Website herunter. Folgen Sie dem Installationsassistenten, um die Installation abzuschlie?en.

2. Erstellen Sie eine virtuelle Umgebung: ?ffnen Sie das Terminal, erstellen Sie eine virtuelle Umgebung namens pytorch und aktivieren Sie:

    conda erstellen -n pytorch python = 3,8
   Conda aktiviert Pytorch

3. Installieren Sie Pytorch: Verwenden Sie in der aktivierten pytorch -Umgebung Conda, um Pytorch zu installieren. Wenn Sie eine GPU -Beschleunigung ben?tigen, stellen Sie sicher, dass Cuda und Cudnn installiert sind, und w?hlen Sie die entsprechende Pytorch -Version aus. Der folgende Befehl installiert Pytorch mit CUDA 11.8 -Unterstützung:

    Conda Installieren Sie Pytorch Torchvision Torchaudio Cudatoolkit = 11,8 -c Pytorch

4. Installation überprüfen: Starten Sie die interaktive Python -Umgebung, führen Sie den folgenden Code aus, um zu überprüfen, ob Pytorch erfolgreich installiert wird, und überprüfen Sie die Verfügbarkeit von GPU:

    Taschenlampe importieren
   drucken (Fackel .__ Version__)
   print (fackel.cuda.is_available ())

B. PIP -Installation

1. Installieren Sie PIP: Wenn in Ihrem System keine PIP installiert ist, installieren Sie es zuerst:

    sudo yum install Python3-pip

2. Installieren Sie PyTorch: Verwenden Sie PIP, um Pytorch zu installieren und die Spiegelquelle der Tsinghua University zu verwenden, um das Herunterladen zu beschleunigen:

    PIP Installieren Sie Torch Torchvision Torchaudio -f https://pypi.tuna.tsinghua.edu.cn/simple

3. überprüfen Sie die Installation: Führen Sie den folgenden Code aus, um die Installation zu überprüfen:

    Taschenlampe importieren
   drucken (Fackel .__ Version__)
   print (fackel.cuda.is_available ())

2. Deep Learning Practice

Hier ist ein einfaches Beispiel für handgeschriebene mnist numerische Erkennung, das zeigt, wie Pytorch für Deep Learning verwendet wird:

1. Bibliothek importieren:

    Taschenlampe importieren
   taporch.nn als nn importieren
   tarch.optim als optimal importieren
   Torchvision importieren
   Tarchvision.transforms als Transformationen importieren

2. Definieren des Modells: Dies ist ein einfaches Faltungs -Neuralnetz (CNN):

    Klasse SimpleCnn (Nn.Module):
       def __init __ (selbst):
           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) #Serne die Eingangsdimension der vollst?ndig verbundenen Schicht def vorne (self, x):
           x = self.pool (Torch.relu (self.conv1 (x)))
           x = fackel.flatten (x, 1) # flachende x = self.fc1 (x)
           Rückkehr x

3. Bereiten Sie die Daten vor: Laden Sie den MNIST -Datensatz herunter und prefrocess it:

    transform = transforms.Componpose ([transforms.totensor (), transforms.normalize ((0,1307), (0,3081))])))
   train_dataset = tolchvision.datasets.mnist (root = './data', train = true, download = true, transform = transformation)
   test_dataset = tolchvision.datasets.mnist (root = './data', train = false, download = true, transform = Transformation)
   train_loader = t Torch.utils.data.Dataloader (train_dataset, batch_size = 64, shuffle = true)
   test_loader = t Torch.utils.data.Dataloader (test_dataset, batch_size = 1000, shuffle = false)

4. Initialisieren Sie das Modell, die Verlustfunktion und den Optimierer:

    Modell = simplecnn ()
   Kriterien = nn.crossentropylosloss ()
   Optimierer = optim.adam (Modell.Parameters (), LR = 0,001) # Verwenden Sie Adam Optimizer

5. Training des Modells:

    Epochen = 2
   für Epochen in Reichweite (Epochen):
       running_loss = 0.0
       Für I, Daten in Enumerate (Train_loader, 0):
           Eingaben, Beschriftungen = Daten
           optimizer.zero_grad ()
           Ausg?nge = Modell (Eing?nge)
           Verlust = Kriterien (Ausg?nge, Etiketten)
           Verlust.Backward ()
           optimizer.step ()
           running_loss = Verlust.Item ()
           Wenn ich % 100 == 99:
               print (f
               running_loss = 0.0
   print ('fertiges Training')

6. Modellbewertung:

    korrekt = 0
   Gesamt = 0
   mit fackel.no_grad ():
       Für Daten in test_loader:
           Bilder, Beschriftungen = Daten
           Ausg?nge = Modell (Bilder)
           _, vorhergesagt = fackel.max (outs.data, 1)
           Total = Labels.Size (0)
           korrekt = (vorhergesagt == Beschriftungen) .sum (). item ())
   
   print (f'accuracy: {100 * korrekt / total}%')

Dieses Beispiel bietet ein grundlegendes Framework. Sie k?nnen die Modellstruktur, den Datensatz und die Hyperparameter entsprechend Ihren Anforderungen ?ndern. Denken Sie daran, das Verzeichnis ./data vor dem Laufen zu erstellen. In diesem Beispiel wird der Adam -Optimierer verwendet und konvergiert im Allgemeinen schneller als SGD. Die Eingangsgr??e der vollst?ndig verbundenen Schicht wird auch nach der Pooling -Schicht an die Ausgabe angepasst.

Das obige ist der detaillierte Inhalt vonWie man tiefes Lernen in Pytorch unter CentOS durchführt. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!