Cara Menggunakan Pytorch untuk Pembelajaran Deep di CentOS

Menggunakan pytorch untuk pembelajaran mendalam di CentOS, anda boleh mengikuti langkah -langkah ini:

1. Pasang Anaconda3

Pertama, anda perlu memasang persekitaran Anaconda3 di CentOS. Anda boleh memuat turun pakej pemasangan yang sesuai untuk CentOS dari laman web rasmi Anaconda dan ikut wizard pemasangan untuk memasangnya.

 wget https://repo.anaconda.com/miniconda/miniconda3-latest-linux-x86_64.sh
bash miniconda3-latest-linux-x86_64.sh

2. Buat dan aktifkan persekitaran maya

Buat persekitaran maya baru dan aktifkannya. Sebagai contoh, buat persekitaran maya yang dipanggil pytorch dan pasang versi python 3.8.

 Conda create -n pytorch python = 3.8
Pytorch diaktifkan Conda

3. Pasang Pytorch

Dalam persekitaran yang diaktifkan, gunakan Conda untuk memasang pytorch. Pilih arahan pemasangan yang sesuai berdasarkan sama ada sokongan GPU diperlukan. Jika sokongan GPU diperlukan, CUDA dan CUDNN perlu dipasang.

Pasang pytorch yang dibolehkan CPU

 Conda Pasang Pytorch Torchvision Torchaudio Cpuonly -C Pytorch

Pasang pytorch yang dibolehkan GPU

 Conda Pasang Pytorch Torchvision Torchaudio Cudatoolkit = 11.3 -C Pytorch -c Conda -Forge

Nota: Nombor versi cudatoolkit mungkin perlu diselaraskan mengikut versi CUDA anda. Anda boleh melihat versi CUDA yang ada dengan menjalankan CUDA Info Cudatoolkit.

4. Sahkan pemasangan

Selepas pemasangan selesai, anda boleh mengesahkan bahawa pytorch dipasang dengan jayanya. Jalankan kod python berikut:

 obor import
cetak (obor .__ versi__)
cetak (obor.cuda.is_available ())

Jika semuanya berfungsi dengan baik, anda sepatutnya dapat melihat nombor versi pytorch dan sama ada CUDA tersedia (bergantung kepada konfigurasi sistem anda).

5. Menjalankan projek pembelajaran mendalam

Sebaik sahaja Pytorch dipasang dengan jayanya, anda boleh mula bekerja pada projek pembelajaran yang mendalam. Berikut adalah contoh mudah yang menunjukkan cara menentukan dan melatih rangkaian saraf menggunakan pytorch:

Menentukan rangkaian saraf

 obor import
import obor.nn sebagai nn
import obor.Optim sebagai Optim

Kelas Simplenn (NN.Module):
    def __init __ (diri):
        super (simpleenn, diri) .__ init __ ()
        self.fc1 = nn.linear (784, 128)
        self.fc2 = nn.linear (128, 64)
        self.fc3 = nn.linear (64, 10)

    def forward (diri, x):
        x = obor.relu (self.fc1 (x))
        x = obor.relu (self.fc2 (x))
        x = self.fc3 (x)
        Kembali x

model = simpleNn ()

Sediakan data

 dari dataset import obor, mengubah

transform = transforms.compose ([transforms.totensor ()])

train_dataset = datasets.mnist (root = './data', kereta api = benar, muat turun = benar, transform = transformasi)
test_dataset = datasets.mnist (root = './data', kereta api = false, muat turun = benar, transform = transform)

kereta api
test_loader = obor.utils.data.dataloader (test_dataset, batch_size = 64, shuffle = false)

Latihan model

 kriteria = nn.crossentropyloss ()
Optimizer = Optim.SGD (Model.Parameters (), LR = 0.01)

Untuk Epoch dalam julat (5):
    Untuk data, sasaran dalam kereta api_loader:
        optimizer.zero_grad ()
        output = model (data)
        kerugian = kriteria (output, sasaran)
        kerugian.backward ()
        Optimizer.Step ()

Melalui langkah -langkah di atas, anda boleh berjaya memasang Pytorch di CentOS dan memulakan projek pembelajaran yang mendalam. Sekiranya anda menghadapi masalah semasa proses pemasangan, disyorkan untuk berunding dengan dokumentasi PyTorch rasmi atau mendapatkan bantuan komuniti.

Atas ialah kandungan terperinci Cara Menggunakan Pytorch untuk Pembelajaran Deep di CentOS. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!