CentOS下PyTorch如何進行深度學習

在CentOS系統下使用PyTorch進行深度學習，通常需要以下幾個步驟：

安裝PyTorch

使用Anaconda安裝

1. 安裝Anaconda： 訪問Anaconda官方下載頁面，下載適合CentOS系統的Anaconda3安裝包，并按照提示完成安裝。

2. 創建并激活虛擬環境：

   conda create -n pytorch python=3.8
   conda activate pytorch
   

3. 安裝PyTorch： 在激活的虛擬環境中，使用conda安裝PyTorch。如果需要GPU支持，確保已安裝相應版本的CUDA和cuDNN，并選擇支持GPU的版本：

   conda install pytorch torchvision torchaudio cudatoolkit=11.8 -c pytorch
   

4. 驗證安裝： 啟動Python交互式環境，輸入以下命令驗證PyTorch是否安裝成功：

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

使用pip安裝

1. 安裝pip（如果尚未安裝）：

   sudo yum install python3-pip
   

2. 安裝PyTorch： 使用pip安裝PyTorch，可以通過指定清華大學的鏡像源來加速下載速度：

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

3. 驗證安裝：

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

進行深度學習

1. 導入必要的庫：

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

2. 定義模型結構：

   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. 準備數據：

   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、損失函數和優化器：

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

5. 訓練模型：

   num_epochs = 10
   for epoch in range(num_epochs):
       for i, (images, labels) in enumerate(train_loader):
           # 前向傳播
           outputs = model(images)
           loss = criterion(outputs, labels)
   
           # 反向傳播和優化
           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. 模型評估：

   model.eval()  # 切換到評估模式
   with torch.no_grad():  # 不計算梯度
       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}%')