在CentOS系統(tǒng)上利用PyTorch進行深度學(xué)習(xí)，需要分步操作：

一、PyTorch安裝

您可以選擇Anaconda或pip兩種方式安裝PyTorch。

A. Anaconda安裝

1. 下載Anaconda: 從Anaconda官方網(wǎng)站下載適用于CentOS系統(tǒng)的Anaconda3安裝包。按照安裝向?qū)瓿砂惭b。

2. 創(chuàng)建虛擬環(huán)境: 打開終端，創(chuàng)建名為pytorch的虛擬環(huán)境并激活：

   conda create -n pytorch python=3.8
   conda activate pytorch

3. 安裝PyTorch: 在激活的pytorch環(huán)境中，使用conda安裝PyTorch。如果您需要GPU加速，請確保已安裝CUDA和cuDNN，并選擇相應(yīng)的PyTorch版本。以下命令安裝包含CUDA 11.8支持的PyTorch：

   conda install pytorch torchvision torchaudio cudatoolkit=11.8 -c pytorch

4. 驗證安裝: 啟動Python交互式環(huán)境，運行以下代碼驗證PyTorch是否安裝成功，并檢查GPU可用性：

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

B. pip安裝

1. 安裝pip: 如果您的系統(tǒng)未安裝pip，請先安裝：

   sudo yum install python3-pip

2. 安裝PyTorch: 使用pip安裝PyTorch，并使用清華大學(xué)鏡像源加速下載：

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

3. 驗證安裝: 與Anaconda方法相同，運行以下代碼驗證安裝：

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

二、深度學(xué)習(xí)實踐

以下是一個簡單的MNIST手寫數(shù)字識別示例，演示如何使用PyTorch進行深度學(xué)習(xí)：

1. 導(dǎo)入庫:

   import torch
   import torch.nn as nn
   import torch.optim as optim
   import torchvision
   import torchvision.transforms as transforms

2. 定義模型: 這是一個簡單的卷積神經(jīng)網(wǎng)絡(luò) (CNN):

   class SimpleCNN(nn.Module):
       def __init__(self):
           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) #調(diào)整全連接層輸入維度
   
       def forward(self, x):
           x = self.pool(torch.relu(self.conv1(x)))
           x = torch.flatten(x, 1) # 展平
           x = self.fc1(x)
           return x

3. 準(zhǔn)備數(shù)據(jù): 下載MNIST數(shù)據(jù)集并進行預(yù)處理：

   transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,))])
   train_dataset = torchvision.datasets.MNIST(root='./data', train=True, download=True, transform=transform)
   test_dataset = torchvision.datasets.MNIST(root='./data', train=False, download=True, transform=transform)
   train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True)
   test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=1000, shuffle=False)

4. 初始化模型、損失函數(shù)和優(yōu)化器:

   model = SimpleCNN()
   criterion = nn.CrossEntropyLoss()
   optimizer = optim.Adam(model.parameters(), lr=0.001) # 使用Adam優(yōu)化器

5. 訓(xùn)練模型:

   epochs = 2
   for epoch in range(epochs):
       running_loss = 0.0
       for i, data in enumerate(train_loader, 0):
           inputs, labels = data
           optimizer.zero_grad()
           outputs = model(inputs)
           loss = criterion(outputs, labels)
           loss.backward()
           optimizer.step()
           running_loss  = loss.item()
           if i % 100 == 99:
               print(f'[{epoch   1}, {i   1}] loss: {running_loss / 100:.3f}')
               running_loss = 0.0
   print('Finished Training')

6. 模型評估:

   correct = 0
   total = 0
   with torch.no_grad():
       for data in test_loader:
           images, labels = data
           outputs = model(images)
           _, predicted = torch.max(outputs.data, 1)
           total  = labels.size(0)
           correct  = (predicted == labels).sum().item()
   
   print(f'Accuracy: {100 * correct / total}%')

這個例子提供了一個基本的框架。您可以根據(jù)自己的需求修改模型結(jié)構(gòu)、數(shù)據(jù)集和超參數(shù)。 記住在運行之前創(chuàng)建./data目錄。 這個例子使用了Adam優(yōu)化器，通常比SGD收斂更快。 也調(diào)整了全連接層的輸入大小以適應(yīng)池化層后的輸出。

以上是CentOS下PyTorch如何進行深度學(xué)習(xí)的詳細(xì)內(nèi)容。更多信息請關(guān)注PHP中文網(wǎng)其他相關(guān)文章！