Menggunakan pytorch untuk pembelajaran mendalam pada sistem CentOS memerlukan operasi langkah demi langkah:

1. Pemasangan Pytorch

Anda boleh memilih Anaconda atau PIP untuk memasang pytorch.

A. Pemasangan Anaconda

1. Muat turun Anaconda: Muat turun pakej pemasangan Anaconda3 untuk sistem CentOS dari laman web Anaconda rasmi . Ikuti wizard pemasangan untuk melengkapkan pemasangan.

2. Buat Persekitaran Maya: Buka terminal, buat persekitaran maya bernama pytorch dan aktifkan:

    Conda create -n pytorch python = 3.8
   Pytorch diaktifkan Conda

3. Pasang PyTorch: Dalam persekitaran pytorch yang diaktifkan, gunakan conda untuk memasang pytorch. Jika anda memerlukan pecutan GPU, pastikan anda mempunyai CUDA dan CUDNN yang dipasang dan pilih versi PyTorch yang sepadan. Perintah berikut memasang pytorch yang mengandungi sokongan CUDA 11.8:

    Conda Pasang Pytorch Torchvision Torchaudio Cudatoolkit = 11.8 -C Pytorch

4. Sahkan pemasangan: Mulakan persekitaran interaktif Python, jalankan kod berikut untuk mengesahkan bahawa pytorch dipasang dengan jayanya, dan periksa ketersediaan GPU:

    obor import
   cetak (obor .__ versi__)
   cetak (obor.cuda.is_available ())

B. PIP Pemasangan

1. Pasang PIP: Jika sistem anda tidak dipasang PIP, sila pasangkannya terlebih dahulu:

    sudo yum memasang python3-pip

2. Pasang PyTorch: Gunakan PIP untuk memasang pytorch dan gunakan sumber cermin Universiti Tsinghua untuk mempercepatkan memuat turun:

    Pip Pasang Torch Torchvision Torchaudio -f https://pypi.tuna.tsinghua.edu.cn/simple

3. Sahkan pemasangan: Sama seperti kaedah Anaconda, jalankan kod berikut untuk mengesahkan pemasangan:

    obor import
   cetak (obor .__ versi__)
   cetak (obor.cuda.is_available ())

2. Amalan Pembelajaran Dalam

Berikut adalah contoh pengiktirafan numerik tulisan tangan MNIST mudah yang menunjukkan cara menggunakan pytorch untuk pembelajaran mendalam:

1. Import Perpustakaan:

    obor import
   import obor.nn sebagai nn
   import obor.Optim sebagai Optim
   Import Torchvision
   Import Torchvision.Transforms sebagai Transforms

2. Mendefinisikan model: Ini adalah rangkaian saraf konvensional yang mudah (CNN):

    kelas SimpleCnn (NN.Module):
       def __init __ (diri):
           super (simpleCnn, diri) .__ 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) #Adjust dimensi input lapisan sepenuhnya def ke hadapan (self, x):
           x = self.pool (obor.relu (self.conv1 (x)))
           x = obor.flatten (x, 1) # flatten x = self.fc1 (x)
           Kembali x

3. Sediakan data: Muat turun dataset MNIST dan pra -prosesnya:

    transform = transforms.compose ([transforms.totensor (), transforms.normalize ((0.1307,), (0.3081,))]))
   train_dataset = torchvision.datasets.mnist (root = './data', kereta api = benar, muat turun = benar, transform = transformasi)
   test_dataset = torchvision.datasets.mnist (root = './data', kereta api = palsu, muat turun = benar, transform = transformasi)
   kereta api
   test_loader = obor.utils.data.dataloader (test_dataset, batch_size = 1000, shuffle = false)

4. Mulakan model, fungsi kerugian, dan pengoptimum:

    Model = SimpleCnn ()
   kriteria = nn.crossentropyloss ()
   Optimizer = Optim.Adam (Model.Parameters (), LR = 0.001) # Gunakan Pengoptimuman Adam

5. Melatih Model:

    Epochs = 2
   Untuk Epoch in Range (Epochs):
       Running_loss = 0.0
       Untuk i, data dalam menghitung (train_loader, 0):
           input, label = data
           optimizer.zero_grad ()
           output = model (input)
           kerugian = kriteria (output, label)
           kerugian.backward ()
           Optimizer.Step ()
           running_loss = loss.item ()
           jika saya % 100 == 99:
               cetak (f '[{epoch 1}, {i 1}] kehilangan: {running_loss / 100: .3f}')
               Running_loss = 0.0
   Cetak ('Latihan Selesai')

6. Penilaian Model:

    betul = 0
   Jumlah = 0
   dengan obor.no_grad ():
       Untuk data dalam test_loader:
           gambar, label = data
           output = model (imej)
           _, diramalkan = obor.max (outputs.data, 1)
           total = labels.size (0)
           betul = (diramalkan == label) .sum (). Item ()
   
   cetak (f'accuracy: {100 * betul / total}%')

Contoh ini menyediakan kerangka asas. Anda boleh mengubahsuai struktur model, dataset, dan hiperparameter mengikut keperluan anda. Ingatlah untuk membuat direktori ./data sebelum berjalan. Contoh ini menggunakan pengoptimasi Adam dan secara umumnya menumpu lebih cepat daripada SGD. Saiz input lapisan yang disambungkan sepenuhnya juga diselaraskan untuk disesuaikan dengan output selepas lapisan penyatuan.

Atas ialah kandungan terperinci Cara menjalankan pembelajaran mendalam di pytorch di bawah centos. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!