PyTorch学习 Datawhale

最新推荐文章于 2024-10-05 19:19:55 发布

haloo__

最新推荐文章于 2024-10-05 19:19:55 发布

阅读量701

点赞数 2

分类专栏： PyTorch 文章标签： PyTorch 环境配置深度学习

本文链接：https://blog.csdn.net/baidu_41803143/article/details/98741436

版权

这篇博客介绍了PyTorch的基本概念，包括其起源、特点以及与numpy的对比。详细阐述了如何配置Python环境、安装PyTorch，并通过任务形式讲解了PyTorch的计算图和自动求导功能，以及如何使用PyTorch实现线性回归和简单的神经网络。最后，通过实现逻辑回归展示了PyTorch在分类问题中的应用。

摘要由CSDN通过智能技术生成

Datawhale PyTorch学习

Pytorch

Pytorch

PyTorch的前身便是Torch，其底层和Torch框架一样，但是使用Python重新写了很多内容，不仅更加灵活，支持动态图，而且提供了Python接口。它是由Torch7团队开发，是一个以Python优先的深度学习框架，不仅能够实现强大的GPU加速，同时还支持动态神经网络，这是很多主流深度学习框架比如Tensorflow等都不支持的。
PyTorch既可以看作加入了GPU支持的numpy，同时也可以看成一个拥有自动求导功能的强大的深度神经网络。

task·1——PyTorch的基本概念

PyTorch是使用GPU和CPU优化的深度学习张量库。

1. 什么是PyTorch，为什么选择PyTorch

2. 配置Python环境

基于Mac环境下的安装
两种方法：
1）使用homebrew工具在命令行中输入brew install python3，敲击回车即可自动安装（homebrew可在homebrew官网下载）
2）进入python官网下载最新的python 版本（自带idle）
**python多版本共存配置问题**
解决python不同版本之间的冲突问题
环境变量：在系统环境里配置的变量值

输入echo $PATH
输入python默认进入python2.7
exit()退出当前的python
查找所需python版本的路径，Mac下使用which：
如whichis python3，敲击回车会返回python路径，将路径复制粘贴即可使用

增加可执行文件，使python2对应python2.7，python3对应python3.7：
1）使用命令ln -s /usr/bin/python2.7 /usr/bin/python2
2）使用命令ln -s /usr/bin/python3.7 /usr/bin/python3

3. 准备Python管理器

安装PyCharm
安装Anaconda
（不做详细描述，百度进入官网，选择合适版本下载安装即可）

4. Pytroch的安装

终端运行：

conda install pytorch torchvision -c pytorch

可以在PyTorch官网选择需要的版本
conda方法下载很慢，而且我在下载过程中每次到一半就出现问题，然后换了pip方式，如下。

pip3 install torch torchvision

参考：https://blog.csdn.net/guihuo2889/article/details/84652733

5.PyTorch基础概念

参考：
https://blog.csdn.net/herosunly/article/details/88892326
https://blog.csdn.net/herosunly/article/details/88915673

6. 通用代码实现流程(实现一个深度学习的代码流程)

参考：Pytorch识别手写数字实例

# -*- coding: utf-8 -*-
import torch
import torchvision
from torchvision import datasets, transforms
# 1. 加载MNIST手写数字数据集数据和标签
transform = transforms.Compose(
    [transforms.ToTensor(),
     transforms.Normalize((0.5, ), (0.5, ))])
trainset = datasets.MNIST(root='./data', train=True,
                            download=True, transform=transform)
trainsetloader = torch.utils.data.DataLoader(trainset, batch_size=20000, shuffle=True)

testset = datasets.MNIST(root='./data', train=True,
                            download=True, transform=transform)
testsetloader = torch.utils.data.DataLoader(testset, batch_size=20000, shuffle=True)

#######如果你不放心数据有没有加载出可以将图片显示出来看下#######
# dataiter = iter(trainsetloader)
# images, labels = dataiter.next()
# import numpy as np
# import matplotlib.pyplot as plt
# plt.imshow(images[0].numpy().squeeze())
# plt.show()
# print(images.shape)
# print(labels.shape)
##########上面这段是显示图片的代码#############


# 2. 设计网络结构
first_in, first_out, second_out = 28*28,  128, 10
model = torch.nn.Sequential(
    torch.nn.Linear(first_in, first_out),
    torch.nn.ReLU(),
    torch.nn.Linear(first_out, second_out),
)

# 3. 设计损失函数
loss_fn = torch.nn.CrossEntropyLoss()

# 4. 设置用于自动调节神经网络参数的优化器
learning_rate = 1e-4
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)

# 5. 训练神经网络（重复训练10次）
for t in