Linux下如何進行PyTorch模型的訓練和評估

在Linux下進行PyTorch模型的訓練和評估，你需要遵循以下步驟：

1. 安裝PyTorch

首先，確保你已經安裝了PyTorch。你可以根據你的CUDA版本從PyTorch官網獲取相應的安裝命令。

# 使用pip安裝PyTorch
pip install torch torchvision torchaudio

2. 準備數據集

你需要準備訓練和評估所需的數據集?？梢允褂肞yTorch提供的torchvision.datasets模塊來加載標準數據集，或者自定義數據集。

import torchvision.transforms as transforms
import torchvision.datasets as datasets

# 定義數據預處理
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.5,), (0.5,))
])

# 加載數據集
train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)
test_dataset = datasets.MNIST(root='./data', train=False, download=True, transform=transform)

# 創建數據加載器
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True)
test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=64, shuffle=False)

3. 定義模型

定義一個PyTorch模型。你可以從頭開始定義，或者使用預訓練模型。

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

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 10, kernel_size=5)
        self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
        self.conv2_drop = nn.Dropout2d()
        self.fc1 = nn.Linear(320, 50)
        self.fc2 = nn.Linear(50, 10)

    def forward(self, x):
        x = F.relu(F.max_pool2d(self.conv1(x), 2))
        x = F.relu(F.max_pool2d(self.conv2_drop(self.conv2(x)), 2))
        x = x.view(-1, 320)
        x = F.relu(self.fc1(x))
        x = F.dropout(x, training=self.training)
        x = self.fc2(x)
        return F.log_softmax(x, dim=1)

model = Net()

4. 定義損失函數和優化器

選擇一個損失函數和優化器。

import torch.optim as optim

criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)

5. 訓練模型

編寫訓練循環來訓練模型。

def train(model, device, train_loader, optimizer, epoch):
    model.train()
    for batch_idx, (data, target) in enumerate(train_loader):
        data, target = data.to(device), target.to(device)
        optimizer.zero_grad()
        output = model(data)
        loss = criterion(output, target)
        loss.backward()
        optimizer.step()
        if batch_idx % 10 == 0:
            print(f'Train Epoch: {epoch} [{batch_idx * len(data)}/{len(train_loader.dataset)} ({100. * batch_idx / len(train_loader):.0f}%)]\tLoss: {loss.item():.6f}')

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model.to(device)

for epoch in range(1, 10):
    train(model, device, train_loader, optimizer, epoch)

6. 評估模型

編寫評估循環來評估模型的性能。

def test(model, device, test_loader):
    model.eval()
    test_loss = 0
    correct = 0
    with torch.no_grad():
        for data, target in test_loader:
            data, target = data.to(device), target.to(device)
            output = model(data)
            test_loss += criterion(output, target).item()
            pred = output.argmax(dim=1, keepdim=True)
            correct += pred.eq(target.view_as(pred)).sum().item()

    test_loss /= len(test_loader.dataset)
    print(f'\nTest set: Average loss: {test_loss:.4f}, Accuracy: {correct}/{len(test_loader.dataset)} ({100. * correct / len(test_loader.dataset):.0f}%)\n')

test(model, device, test_loader)

7. 保存和加載模型

訓練完成后，你可以保存模型以便以后使用。

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

# 加載模型
model = Net()
model.load_state_dict(torch.load('mnist_cnn.pt'))

以上步驟涵蓋了在Linux下使用PyTorch進行模型訓練和評估的基本流程。根據你的具體需求，可能還需要進行更多的調整和優化。