配置pytorch环境和手写MNIST识别

本文为：365天深度学习训练营中的学习内容
原作者为：K同学啊

P1 手写MNIST识别

---

提示：以下是本篇文章正文内容，下面案例可供参考

1.在anaconda安装pytorch

我参考的教程在这里
[https://zhuanlan.zhihu.com/p/672526561]()
[https://blog.csdn.net/Maaa_25/article/details/118723993]()
[https://blog.csdn.net/weixin_44261686/article/details/104241503]()

我的环境

python版本:3.11.5
pytorch版本:2.1.2
cuda版本:12.4

记录一下遇到的比较有趣的问题:

• 一开始我没有比对cuda和pytorch的版本，所以在检查是否安装成功的时候
  torch.cuda.is_available() 这一句得到的结果不仅是一个false,他甚至告诉我我的cuda版本too old了!! 感觉程序都看不下去了,一定要对应好cuda python 和pytorch

• 如果你在安装于base的jupyter notebook里面得到了这样的结果"No module named 'torchNo module named 'torch"请在base和pytorch的环境下分别输入这条命令python -m ipykernel install --name pytorch 如果pytorch输入这条命令报错,就先执行这两条指令conda install ipython conda install jupyter后再执行上面那一条就好啦.
  

  这样在jupyter里就有这个啦

  

  这里是成功的证据!

  
  

2.手写数字识别

• 代码

    # 设置GPU
    # 导入pytorch
    import torch
    # 导入pytorch中的神经网络模块nn , as关键字用于起别名，用nn代替torch.nn
    import torch.nn as nn
    # 导入matplotlib中的pylot模块 matplotlib是常用的数据可视化的库
    import matplotlib.pyplot as plt
    # 处理计算机视觉任务的库
    import torchvision
    # CUAD是英伟达为开发者提供的能使用GPU来进行计算运行程序的模型
    # torch.cuad.is_available()是为了检查当前的计算机系统是否支持cuda也就是gpu运算
    # torch.device()用来表示计算机中设备的类，指定代码是在CPU还是gpu运行
    # "cuda"则是在gpu "cpu"则是在CPU运行 "cuda:0"则是制定具体的gpu 
    # "cuda" if torch.cuda.is_available() else "cpu"这一句则是说让设备根据系统来选择cpu还是gpu
    device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
    device
  

   # 训练集 第一个参数是存储地址 默认是root train的类型是bool true是训练集 false是测试集 
   # transform 就是把数据转化成其他形式 这里面是转化成Tensor形式 torchvision.transforms.ToTensor() 这句话的意思就是把数据转化成Tensor的形式
   # download 的类型也是bool型 true是下载 false是不下载
   train_ds = torchvision.datasets.MNIST("data",train=True,transform=torchvision.transforms.ToTensor(),download=True)
   test_ds = torchvision.datasets.MNIST("data",train=False,transform=torchvision.transforms.ToTensor(),download=True)
  

  # torch.utils.data.DataLoader()pytorch中处理数据集的函数
  # torch.utils.data.DataLoader(dataset, batch_size=1, shuffle=None, sampler=None, batch_sampler=None, num_workers=0, collate_fn=None, pin_memory=False, drop_last=False, timeout=0, worker_init_fn=None, multiprocessing_context=None, generator=None, *, prefetch_factor=2, persistent_workers=False, pin_memory_device='')
  # dataset:字符串类型，是加载的数据集的名字
  # batch：数据集太大，要把他分成多少批处理就是batch
  # batch_size：int类型，数据集划分批次一批是多少个就是batchsize，他的默认值是1
  # epoch：将一个数据集中所有的样本数据都过一遍（只是过一遍）的训练过程
  # shuffle：是bool类型如果是true的话，每过一次数据集都要重新排列数据
  # sampler：指定数据采样器，也就是指定从数据集中抽取杨版本的策略 值可以是任何可迭代对象（iterable），和shuffle冲突，如果指定会覆盖shuffle的选择
  # batch_sampler：自定义批次采样器与 batch_size、shuffle、sampler 和 drop_last 互斥
  # 
  
  batch_size = 32
  
  train_dl = torch.utils.data.DataLoader(train_ds,batch_size = batch_size,shuffle = True