KeyarchOS安装Pytorch 1.0

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。