Datawhale PyTorch学习
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
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。
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)
# -*- 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