Ubuntu下如何利用PyTorch进行深度学习

在Ubuntu下利用PyTorch进行深度学习，可按以下步骤操作：

1. 环境准备

• 安装系统依赖：更新包列表并安装基础工具，如build-essential、python3、pip等。

  sudo apt update  
  sudo apt install python3 python3-pip build-essential  
  

• 创建虚拟环境（可选）：隔离项目依赖，推荐使用venv或conda。

  python3 -m venv pytorch_env  # venv方式  
  source pytorch_env/bin/activate  
  

  或使用conda：

  conda create -n pytorch_env python=3.9  
  conda activate pytorch_env  
  

2. 安装PyTorch

• CPU版本（无GPU加速）：

  pip install torch torchvision torchaudio  # pip方式  
  # 或  
  conda install pytorch torchvision torchaudio cpuonly -c pytorch  # conda方式  
  

• GPU版本（需NVIDIA显卡）：
  1. 安装CUDA Toolkit和cuDNN（需匹配显卡驱动版本，可从NVIDIA官网下载）。
  2. 安装带CUDA的PyTorch：

     pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117  # 以CUDA 11.7为例  
     # 或  
     conda install pytorch torchvision torchaudio cudatoolkit=11.7 -c pytorch  # conda方式  
     

• 验证安装：在Python中导入PyTorch并检查版本及CUDA是否可用。

  import torch  
  print(torch.__version__)  
  print(torch.cuda.is_available())  # 若为True则CUDA可用  
  

3. 开发深度学习模型

• 数据准备：使用torchvision加载数据集（如CIFAR-10），并进行预处理（归一化、裁剪等）。

  import torchvision.transforms as transforms  
  transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])  
  trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)  
  trainloader = torch.utils.data.DataLoader(trainset, batch_size=4, shuffle=True)  
  

• 构建模型：定义神经网络结构（如简单的卷积神经网络）。

  import torch.nn as nn  
  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.fc1 = nn.Linear(6 * 14 * 14, 120)  
          self.fc2 = nn.Linear(120, 84)  
          self.fc3 = nn.Linear(84, 10)  
      def forward(self, x):  
          x = self.pool(nn.functional.relu(self.conv1(x)))  
          x = self.fc1(x)  
          x = self.fc2(x)  
          x = self.fc3(x)  
          return x  
  net = Net()  
  

• 训练模型：定义损失函数（如交叉熵损失）、优化器（如SGD），并执行训练循环。

  import torch.optim as optim  
  criterion = nn.CrossEntropyLoss()  
  optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)  
  for epoch in range(2):  # 训练2轮  
      for i, data in enumerate(trainloader, 0):  
          inputs, labels = data  
          optimizer.zero_grad()  
          outputs = net(inputs)  
          loss = criterion(outputs, labels)  
          loss.backward()  
          optimizer.step()  
          if i % 2000 == 1999:  
              print(f'Epoch {epoch+1}, Batch {i+1}, Loss: {loss.item():.3f}')  
  

4. 高级操作（可选）

• 使用GPU加速：将模型和数据移动到GPU设备。

  device = torch.device("cuda" if torch.cuda.is_available() else "cpu")  
  net.to(device)  
  inputs, labels = inputs.to(device), labels.to(device)  
  

• 保存与加载模型：

  # 保存模型  
  torch.save(net.state_dict(), 'model.pth')  
  # 加载模型  
  net.load_state_dict(torch.load('model.pth'))  
  

参考资料

安装及基础用法可参考PyTorch官网教程，具体项目可结合torchvision、torch.nn等模块扩展。