Windows10安装pycharm+Anaconda+pytorch简单实现

目录

0.前言

1.pycharm安装教程

2.Anaconda安装教程

检验是否安装成功

镜像源

3.pycharm+Anaconda配置

4.简单实现pytorch的代码

 5.bug回顾


0.前言

这段时间刚刚进入实验室,因为老师给了一台新电脑,作为科研人的首要任务就是需要配置好环境从而更好的对接老师接下来的任务,因为大多数情况使用的框架是pytorch(虽然很多git上使用tensorflow实现的...),我将根据pycharm(python开发平台)+Anaconda(一堆库的综合包)+pytorch(一种框架)的顺序来搭建我的环境,其中包含了出现的bug和解决方案!

参考文献:
超详细pycharm安装教程_Tiramisu Lv的博客-CSDN博客_pycharm安装教程Anaconda和Pycharm详细安装配置教程_Dust_Evc的博客-CSDN博客_anaconda pycharm安装教程

1.pycharm安装教程

网址链接:Download PyCharm: Python IDE for Professional Developers by JetBrains

我们只需要下载社区版本(Community)即可,因为免费!

之后的话就是安装包。

首先要注意不要下载到C盘!

 

然后一直next即可!

重启后打开pycharm应用,直接点击OK,我接受,然后出现如图

点击哪个都行,只是数据共享说明,这边点击不发送。

针对activation code

可以去搜索pycharm激活码

pycharm就安装完成了!

2.Anaconda安装教程

 网址链接:Anaconda | Anaconda Distribution

点击Download 

一直点next

 同理这里不能安装到C盘!

 

 

这样表示安装完毕。

检验是否安装成功

利用cmd到达我们安装anaconda的目录下面

输入步骤

1.d:

2.cd D:\anaconda(红色是我的路径了,视情况而写)

 exit()表示退出python编写,出现该内容表示安装成功。

镜像源

  各系统都可以通过修改用户目录下的 .condarc 文件,可以用笔记本打开,复制以下内容即可。

channels:
  - defaults
show_channel_urls: true
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch-lts: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

运行 conda clean -i 清除索引缓存,保证用的是镜像站提供的索引。

运行conda list显示里面的库

 因为初次安装的版本都比较老,通过conda update --all可以更新,但是要注意下载的内容很多,可以后期一个个慢慢更新。

3.pycharm+Anaconda配置

绿色圈圈就是Anaconda的python.exe所在的路径

 建立完成后,在File————>Settings

 显示了我们的库!

4.简单实现pytorch的代码

主要是完成了对 cifar-10图像分类。

数据集分为五个训练批次和一个测试批次,每个批次包含 10000 张图像,测试批次恰好包含从每个类中随机选择的 1000 张图像,训练批次以随机顺序包含其余图像,但某些训练批处理可能包含来自一个类的图像多于另一个类的图像,在它们之间,训练批次正好包含来自每个类的 5000 张图像。

简单实验代码链接:

#  声明:本代码并非自己编写,由他人提供
import torch
import torchvision
import torchvision.transforms as transforms
import ssl

from torch.autograd import Variable
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
import matplotlib.pyplot as plt
import numpy as np
import time

ssl._create_default_https_context = ssl._create_unverified_context

transform = transforms.Compose(
    [transforms.RandomHorizontalFlip(),
     transforms.RandomGrayscale(),
     transforms.ToTensor(),
     transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))]
)

trainset = torchvision.datasets.CIFAR10(root='./cifar10', train=True, download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=100, shuffle=True, num_workers=2)

testset = torchvision.datasets.CIFAR10(root='./cifar10', train=False, download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4, shuffle=False, num_workers=2)

classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck')


class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16*5*5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self,x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x


net = Net()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)


def imshow(img):
    img = img / 2 + 0.5
    npimg = img.numpy()
    plt.imshow(np.transpose(npimg, (1, 2, 0)))
    plt.show()


if __name__ == '__main__':
    for epoch in range(20):
        timestart = time.time()
        running_loss = 0.0
        for i,data in enumerate(trainloader, 0):
            inputs, labels = data
            inputs, labels = Variable(inputs), Variable(labels)
            optimizer.zero_grad()
            outputs = net(inputs)
            loss = criterion(outputs, labels)
            loss.backward()
            optimizer.step()

            running_loss += loss.item()

            if i % 500 == 499:
                print('[%d ,%5d] loss: %.3f' % (epoch + 1, i + 1, running_loss / 500))
                running_loss = 0.0

        print('epoch %d cost %3f sec' % (epoch + 1, time.time()-timestart))

    print('Finished Training')

    dataiter = iter(testloader)
    images, labels = dataiter.__next__()
    imshow(torchvision.utils.make_grid(images))
    print('GroundTruth:', ' '.join('%5s' % classes[labels[j]] for j in range(4)))

    outputs = net(Variable(images))
    _, predicted = torch.max(outputs.data,1)
    print('Predicted:', ' '.join('%5s' % classes[labels[j]] for j in range(4)))

    correct = 0
    total = 0
    for data in testloader:
        images, labels = data
        outputs = net(Variable(images))
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum()
    print('Accuracy of the network on the 10000 test images: %d %%' % (100*correct/total))

    class_correct = list(0. for i in range(10))
    class_total = list(0. for i in range(10))
    for data in testloader:
        images, labels = data
        outputs = net(Variable(images))
        _, predicted = torch.max(outputs.data, 1)
        c = (predicted == labels).squeeze()
        for i in range(4):
            label = labels[i]
            class_correct[label] += c[i]
            class_total[label] += 1

    for i in range(10):
        print('Accuracy of %5s : %2d %%' % (classes[i], 100 * class_correct[i] / class_total[i]))
————————————————
版权声明:本文为CSDN博主「西岸贤」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/weixin_42570192/article/details/124689392

 运行结果:

 在20轮会出现

以及判断结果 

 5.bug回顾

最大的bug就是我在运行代码时,发现有些库是没有的,一般情况可以通过之前的Settings里面找到+号,点击之后

在这里找我们缺少的库,但是我发现torch我下载不过来,下载时容易出现超时,等各种问题。

第一步,我通过cmd进入到anaconda的目录,利用镜像源进行下载

pip install torch -i https://pypi.tuna.tsinghua.edu.cn/simple some-package

或者在pycharm中

 点击小齿轮,输入镜像源的网址

第二步:下载成功后,我再次运行代码,显示未找到相对应模块

python torch 解决OSError: [WinError 126] 找不到指定的模块。 Error loading "D:\Anaconda3\lib\site-packages\torch\lib\asmjit.dll" or one of its dependencies.w

我是通过下载Visual Studio C++ 后,发现可以运行成功!

到此就结束整篇介绍了,这些只能算是小的开端,也希望刚刚接触的同学更上一层楼!

  • 0
    点赞
  • 14
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值