pytorch安装与测试

PyTorch的飞速发展

框架好不好用，看图说话！

安装PyTorch：使用PIP的方法比较简单

先查看你的cuda版本：

nvidia-smi

我的电脑cudaban版本是11.1的

用下面的网址找到对应的cuda版本，然后复制命令行在miniconda或者Anaconda的环境里安装即可。

https://pytorch.org/get-started/previous-versions/https://pytorch.org/get-started/previous-versions/

我的电脑安装命令就是：

pip install torch==1.9.0+cu111 torchvision==0.10.0+cu111 torchaudio==0.9.0 -f https://download.pytorch.org/whl/torch_stable.html

安装完成后，打开jupyter notebook：

import torch
torch.__version__
'1.9.0+cu111'
安装成功后会显示你安装的版本号

接下来用一个简单的小例子做GPU训练：

线性回归

构造一组输入数据X和其对应的标签y

import numpy as np
x_values = [i for i in range(11)]
x_train = np.array(x_values, dtype=np.float32)
x_train = x_train.reshape(-1, 1)
x_train.shape

(11, 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
y_train.shape

(11, 1)

import torch
import torch.nn as nn

线性回归模型

其实线性回归就是一个不加激活函数的全连接层

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 = 1model = LinearRegressionModel(input_dim, output_dim)

model

LinearRegressionModel((linear): Linear(in_features=1, out_features=1, bias=True)
)

指定好参数和损失函数

epochs = 1000
learning_rate = 0.01
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)
criterion = nn.MSELoss()

训练模型

for epoch in range(epochs):epoch += 1# 注意转行成tensorinputs = 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()))

epoch 50, loss 0.002772861160337925
epoch 100, loss 0.0015815184451639652
epoch 150, loss 0.0009020335855893791
epoch 200, loss 0.0005145024042576551
epoch 250, loss 0.0002934486838057637
epoch 300, loss 0.00016736680117901415
epoch 350, loss 9.546181536279619e-05
epoch 400, loss 5.444709677249193e-05
epoch 450, loss 3.105417636106722e-05
epoch 500, loss 1.771174902387429e-05
epoch 550, loss 1.0104487046191934e-05
epoch 600, loss 5.762907676398754e-06
epoch 650, loss 3.2866553283383837e-06
epoch 700, loss 1.8745893157756655e-06
epoch 750, loss 1.0692875775930588e-06
epoch 800, loss 6.096717015680042e-07
epoch 850, loss 3.4797531611729937e-07
epoch 900, loss 1.9841668574827054e-07
epoch 950, loss 1.1307743363886402e-07
epoch 1000, loss 6.446471445542556e-08

测试模型预测结果

predicted = model(torch.from_numpy(x_train).requires_grad_()).data.numpy()
predicted

array([[ 0.9995279],[ 2.9995959],[ 4.999664 ],[ 6.999732 ],[ 8.9998   ],[10.999867 ],[12.999936 ],[15.000004 ],[17.00007  ],[19.00014  ],[21.000206 ]], dtype=float32)

模型的保存与读取

torch.save(model.state_dict(), 'model.pkl')

model.load_state_dict(torch.load('model.pkl'))

使用GPU进行训练

只需要把数据和模型传入到cuda里面就可以了

import torch
import torch.nn as nn
import numpy as npclass 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 outinput_dim = 1
output_dim = 1model = LinearRegressionModel(input_dim, output_dim)device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
model.to(device)criterion = nn.MSELoss()learning_rate = 0.01optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)epochs = 1000
for epoch in range(epochs):epoch += 1inputs = torch.from_numpy(x_train).to(device)labels = torch.from_numpy(y_train).to(device)optimizer.zero_grad() outputs = model(inputs)loss = criterion(outputs, labels)loss.backward()optimizer.step()if epoch % 50 == 0:print('epoch {}, loss {}'.format(epoch, loss.item()))

epoch 50, loss 0.16363602876663208
epoch 100, loss 0.09333190321922302
epoch 150, loss 0.053232986479997635
epoch 200, loss 0.03036210499703884
epoch 250, loss 0.01731737330555916
epoch 300, loss 0.00987718254327774
epoch 350, loss 0.005633558612316847
epoch 400, loss 0.0032131734769791365
epoch 450, loss 0.0018326828721910715
epoch 500, loss 0.0010452885180711746
epoch 550, loss 0.0005961966817267239
epoch 600, loss 0.00034004641929641366
epoch 650, loss 0.0001939479261636734
epoch 700, loss 0.00011062397243222222
epoch 750, loss 6.309369928203523e-05
epoch 800, loss 3.5986384318675846e-05
epoch 850, loss 2.052540730801411e-05
epoch 900, loss 1.1706931218213867e-05
epoch 950, loss 6.677555120404577e-06
epoch 1000, loss 3.8078255784057546e-06

pytorch安装与测试相关推荐

PyTorch安装测试训练建自己的数据集
Pytorch安装测试训练建自己的数据集前言一.PyTorch是什么? 二.PyTorch环境搭建 1.设备要求 2.安装Pytorch 3.验证PyTorch 二.CIFAR10测试 1.关于C ...
Tesla M40 下Ubuntu anaconda pycharm pytorch安装
Tesla M40 训练机组装参考:http://t.csdn.cn/7Fx13,写的很详细显卡:Tesla M40 24GB (2张) 显卡驱动版本(推荐):470.57.02 cuda版本:11 ...
pytorch安装和tensorflow环境搭建和cuda加速和cudann安装教程记录日期2022.10.20日
pytorch安装的过程踩得坑,需要教程的直接看最后红字. 5月31日开始的最近想要学习神经网络于是. 首先在网上查一下,这些人都用什么库写的神经网络. numpy出现10次 TensorFlow出 ...
AI 图片截取、ffmpeg使用及安装, anaconda环境，图片标注(labelme)，模型训练(yolov5)，CUDA+Pytorch安装及版本相关问题
AI 图片截取(ffmpeg), anaconda环境,图片标注(labelme),模型训练(yolov5),CUDA+Pytorch安装及版本相关问题一.截取有效图片录制RTSP视频脚本 #!/ ...
动手学深度学习（二）——windows10系统中pytorch安装（从显卡驱动开始）
文章目录 pytorch安装一.配置及准备: 二.安装步骤: 1.下载与安装CUDA 2.下载与安装CuDNN 3. 验证CUDA和CuDNN的安装 4. 安装pytorch 5.测试pytorch ...
安装和测试Python第三方库20200628
安装和测试Python第三方库 #!/usr/bin/env python # coding:utf-8import sysprint("Python解释器在磁盘上的存储路径:", ...
【MindStudio训练营第一季】MindStudio安装及测试
MindStudio安装及测试环境准备安装CANN开发套件包安装方案其他注意事项(==都是血的教训==) 安装MindStudio 下载安装包安装依赖安装字体安装MindStudio 测 ...
超详细的的PyTorch安装教程，成功率高，适合初学者，亲测可用。
啰嗦几句:网上的教程很多,安装的方法多种多样,操作复杂,成功率还不高.小编在淘宝专门帮助不会安装的小伙伴远程配置环境,这方法都是测试过了,适用大部分人的,完全按照文章来操作,基本都是可以安装成功的. ...
Tensorflow + PyTorch 安装（CPU + GPU 版本）
目录一.Anaconda 安装二.安装 TensorFlow-CPU 1.配置环境 2.安装 Tensorflow 三.安装TensorFlow-GPU 1.是否可安装GPU版Tensorflow ...