1 概述
浪潮信息KOS是浪潮信息基于Linux Kernel、OpenAnolis等开源技术自主研发的一款服务器操作系统,支持x86、ARM等主流架构处理器,性能和稳定性居于行业领先地位,具备成熟的 CentOS 迁移和替换能力,可满足云计算、大数据、分布式存储、人工智能、边缘计算等应用场景需求。https://zh.ieisystem.com/product/kos/9453.html
浪潮信息KOS是浪潮信息基于Linux Kernel、OpenAnolis等开源技术自主研发的一款服务器操作系统,支持x86、ARM等主流架构处理器,性能和稳定性居于行业领先地位,具备成熟的 CentOS 迁移和替换能力,可满足云计算、大数据、分布式存储、人工智能、边缘计算等应用场景需求。详细介绍见官网链接https://www.ieisystem.com/kos/product-kos-xq.thtml?id=12126。
2 安装准备
2.1 操作环境
操作系统版本:KOS 5.8 (4.18.0-372.41.1.kos5.x86_64)
测试架构:x86_64,8核4G虚拟机
2.2 软件版本
Pytorch 1.0.0
conda 23.5.2
3 安装Pytorch
3.1安装miniconda
使用miniconda官方的脚本安装miniconda
mkdir -p ~/miniconda3
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh -O ~/miniconda3/miniconda.sh
bash ~/miniconda3/miniconda.sh -b -u -p ~/miniconda3
rm -rf ~/miniconda3/miniconda.sh
使用conda初始化bash(或其他shell)
~/miniconda3/bin/conda init bash
可以看到提示符前面多了表示conda环境的base标识
3.2 使用conda安装Pytorch
使用conda创建pytorch虚拟环境
conda create -n pytorch1.0 python=3.6
激活pytorch1.0环境
conda activate pytorch1.0
使用conda安装pytorch 1.0
conda install pytorch-cpu==1.0.0 torchvision-cpu==0.2.1 cpuonly -c pytorch
conda list可以看到pytorch已经被成功安装。
4测试Pytorch
4.1 查看Pytorch版本
安装完成后可以激活pytorch环境在python中输出pytorch版本:
conda activate pytorch1.0
python
import torch
torch.__version__
4.2 训练线性回归模型
使用一个简单的线性回归模型进行训练测试:
import torch
import torch.nn as nn
import numpy as np
print('训练数据:')
x_values = [i for i in range(11)]
x_train = np.array(x_values, dtype=np.float32)
x_train = x_train.reshape(-1, 1)
y_values = [2*i + 1 for i in x_values]#y=2x+1
y_train = np.array(y_values, dtype=np.float32)
y_train = y_train.reshape(-1, 1)# reshape把数据转换成矩阵格式
print(x_train.T)
print(y_train.T)
class LinearRegressionModel(nn.Module):
def __init__(self, input_dim, output_dim):
super(LinearRegressionModel, self).__init__()
self.linear = nn.Linear(input_dim, output_dim)
def forward(self, x):
out = self.linear(x)
return out
input_dim = 1
output_dim = 1
model = LinearRegressionModel(input_dim, output_dim)
epochs = 1000
learning_rate = 0.01
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)
criterion = nn.MSELoss()
print('\n开始训练:')
for epoch in range(epochs):
epoch += 1
# 注意转行成tensor
inputs = torch.from_numpy(x_train)
labels = torch.from_numpy(y_train)
# 梯度要清零每一次迭代
optimizer.zero_grad()
# 前向传播
outputs = model(inputs)
# 计算损失
loss = criterion(outputs, labels)
# 返向传播
loss.backward()
# 更新权重参数
optimizer.step()
if epoch % 50 == 0:
print('epoch {}, loss {}'.format(epoch, loss.item()))
print('\n预测结果:')
predicted = model(torch.from_numpy(x_train).requires_grad_()).data.numpy()
print(predicted.T)
训练结果如下所示,可以看到pytorch被正确调用并实现模型的训练。