安装PyTorch的详细过程记录

  • Post category:Python

下面是安装PyTorch的详细过程记录的完整攻略。

环境准备

  1. 在安装PyTorch之前,请先确保您的计算机系统已经安装了Python环境。您可以在命令行中输入以下命令检查Python是否已经安装:
python --version
  1. 如果您的计算机系统尚未安装Python,请前往官网下载适合您计算机系统的Python安装包(https://www.python.org/downloads/)

  2. 针对不同操作系统,您需要对应的方式安装所需的依赖包。具体方式如下:

Windows:

在cmd命令行中输入以下命令安装所需的依赖包(需要管理员权限运行cmd):

pip install numpy pyyaml mkl mkl-include setuptools cmake cffi typing

Linux:

在终端命令行中输入以下命令安装所需的依赖包:

sudo apt update
sudo apt-get install python3-numpy python3-yaml python3-matplotlib

macOS:

在终端命令行中输入以下命令安装所需的依赖包:

brew install python3 git
pip3 install numpy pyyaml matplotlib

安装PyTorch

安装PyTorch有多种方式,我们将介绍几种最常用的方式:

1. 使用pip安装PyTorch

在终端命令行中输入以下命令安装PyTorch:

pip install torch torchvision

2. 安装GPU版的PyTorch

如果您的计算机系统上有Nvidia的显卡且想要使用GPU版的PyTorch,可以按照以下步骤进行安装:

  1. 首先,需要根据自己的显卡类型安装对应版本的CUDA和cuDNN库,可以访问 http://developer.nvidia.com/cuda-downloads 下载对应版本。

  2. 安装完成CUDA和cuDNN后,在终端命令行中输入以下命令安装PyTorch:

pip install torch torchvision torchaudio --no-cache-dir -f https://download.pytorch.org/whl/cu101/torch_stable.html

3. 从源代码安装PyTorch

在安装过程中可以选择从源码安装PyTorch,以便于调试和开发。

可以按照以下步骤进行安装:

  1. 首先,需要从PyTorch的官方GitHub仓库中将源代码克隆到本地:
git clone --recursive https://github.com/pytorch/pytorch
  1. 进入pytorch的主目录,并执行以下命令进行编译和安装:
macOS:

sudo CC=clang CXX=clang++ MACOSX_DEPLOYMENT_TARGET=10.15 python3 setup.py install

Linux and Windows:

sudo python3 setup.py install

安装完成后,您可以输入以下命令测试PyTorch是否安装成功:

import torch
print(torch.__version__)

如果输出的版本号是正确的,则说明PyTorch已经安装成功了。

示例说明

以下是两个使用PyTorch的简单示例。

示例1:使用PyTorch完成简单的线性回归

import torch
import torch.nn as nn
import matplotlib.pyplot as plt

# 生成随机训练数据
x = torch.randn(100, 1) * 10
y = x + 3 * torch.randn(100, 1)

# 定义线性回归模型
model = nn.Linear(1, 1)

# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

# 训练模型
for epoch in range(100):
    y_pred = model(x)
    loss = criterion(y_pred, y)
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

# 打印模型权重和偏置项
print(model.state_dict())

# 可视化训练结果
plt.scatter(x, y)
plt.plot(x, model(x).detach().numpy(), 'r-')
plt.show()

示例2:使用PyTorch完成常见的图像分类任务

import torch
import torchvision
import torch.nn as nn
import torchvision.transforms as transforms
import matplotlib.pyplot as plt

# 定义数据预处理
transform = transforms.Compose([
    transforms.Resize((32, 32)),
    transforms.ToTensor(),
    transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
])

# 加载CIFAR-10数据集
trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
                                        download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
                                          shuffle=True, num_workers=2)

# 定义网络模型、损失函数和优化器
net = nn.Sequential(nn.Conv2d(3, 6, 5),
                    nn.BatchNorm2d(6),
                    nn.ReLU(),
                    nn.MaxPool2d(2, 2),
                    nn.Conv2d(6, 16, 5),
                    nn.BatchNorm2d(16),
                    nn.ReLU(),
                    nn.MaxPool2d(2, 2),
                    nn.Flatten(),
                    nn.Linear(16 * 5 * 5, 120),
                    nn.BatchNorm1d(120),
                    nn.ReLU(),
                    nn.Linear(120, 84),
                    nn.BatchNorm1d(84),
                    nn.ReLU(),
                    nn.Linear(84, 10)
                    )
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

# 训练模型
for epoch in range(2):
    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data
        optimizer.zero_grad()

        # 前向传播、反向传播和优化
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        running_loss += loss.item()
        if i % 2000 == 1999:    
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 2000))
            running_loss = 0.0

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

correct = 0
total = 0
with torch.no_grad():
    for data in testloader:
        images, labels = data
        outputs = net(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print('Accuracy of the network on the 10000 test images: %d %%' % (100 * correct / total))