- ubuntu12.04环境下使用kvm ioctl接口实现最简单的虚拟机
- Ubuntu 通过无线网络安装Ubuntu Server启动系统后连接无线网络的方法
- 在Ubuntu上搭建网桥的方法
- ubuntu 虚拟机上网方式及相关配置详解
CFSDN坚持开源创造价值,我们致力于搭建一个资源共享平台,让每一个IT人在这里找到属于你的精彩世界.
这篇CFSDN的博客文章PyTorch学习之软件准备与基本操作总结由作者收集整理,如果你对这篇文章有兴趣,记得点赞哟.
PyTorch可以认为是一个Python库,可以像NumPy、Pandas一样被调用。PyTorch和NumPy功能是类似的,可以将PyTorch看作用在神经网络(深度学习)里的NumPy,并且加入了GPU支持的NumPy(原生NumPy不支持GPU).
目前,应用最广、热度最高的深度学习框架为PyTorch和TensorFlow。本系列先从PyTorch开始,后面有机会再去弄TersonFlow,还有时间的话,就再去系统回顾下之前学习的Caffe框架.
小结:PyTorch为深度学习框架,为NumPy的替代品,支持GPU,可以用来搭建和训练深度神经网络.
暂时确定:Anaconda、Jupyter Notebook.
1、Anaconda.
为了降低WSL在C盘下的负担,深度学习这块,准备在Windows下安装各种环境。Anaconda集成了许多优秀的开发工具。例如:Anaconda Navigator和Anaconda Prompt。前者是一个桌面图形界面,内部集成了很多开发工具,如Jupyter Notebook,VSCode。如果要启动某个软件,直接在界面的软件下Launch就行了。后者是Anaconda的终端,可在其中使用conda命令来管理Python库。conda是一个开源的软件包管理系统和环境管理系统,可以方便地管理Python的库函数以及创建虚拟环境。如果要启动该功能,直接在“开始”菜单找到就行了.
如何完成安装?
1.去这里下载对应版本的Anaconda包.
如果进去之后是一个Buy Now的购买界面,那很有可能就是因为挂了代理,速度跟不上,下载没成功,关掉就好.
2.下载好后双击exe程序。Next、I Agree、All Users操作后,选择安装的路径。装的时候提示路径有警告,我觉得是没啥问题的,但保险起见,还是装在没空格的地方.
3.Next后出现下面这个情况。这一步是非常重要的!!!需要理解下,不然后面使用Anaconda容易出现问题.
首先关于这段话:
Not recommended.Instead , open Anaconda3 with the Windows startmenu and select “Anaconda (64-bit)”. This “add to PATH” option makesAnaconda get found before previously installed software, but maycause problems requiring you to uninstall and reinstall Anaconda.不推荐。相反,用Windows开始菜单打开Anaconda3,选择“Anaconda(64位)”。这个“添加到PATH”选项会让你在之前安装的软件之前找到Anaconda,但可能会导致问题,需要你卸载并重新安装Anaconda。
按软件默认的推荐,是不要选中框1内容,将Anaconda添加到路径中。如果选中的话,会将Anaconda添加到系统路径中,这样,就得使用“开始”菜单的Anaconda Navigator或Anaconda命令提示符,来启动Anaconda,不然环境变量是错误的。但如果不选中,以后是可以随时将Anaconda添加到您的PATH中。这里选择不勾选,如果要在命令提示符下使用Anaconda,那就选中该框。由于电脑中没有Python的其他版本,这里直接默认3.8的。next、next并Finish后,完成安装.
如何测试安装?
测试安装的一种好方法是打开Jupyter Notebook。可通过Anaconda Prompt或Anaconda Navigator执行此操作.
1.找到Anaconda Navigator,然后单击Anaconda Navigator.
2.在Jupyter Notebook下,单击Launch.
3.为了在Windows下使用Anaconda中的软件,需要添加下环境变量.
打开命令提示符。运行jupyter notebook,如果出现这个问题,需要配置下路径.
只需要将之前安装时的路径,放到环境变量里的path中去.
几个非常有用的conda命令.
conda list 列出所有已安装的包conda install pandas 安装包(比如这里安装Python的Pandas库)conda uninstall pandas 卸载包conda update pandas
在项目开发过程中,由于需求不同,得下载各种不同的框架和库,版本间的差异也会不同,需要不断更新或卸载对应的库,管理非常麻烦。需要创建虚拟环境,来为不同的项目创建独立的空间,这个空间里安装的任何库和框架都是独立的,不会影响到外部环境。这时,就需要上面安装的Anaconda了.
1.打开Anaconda Prompt。在命令行中输入:
conda create --name lypytorch python=3.8
lypytorch是我的虚拟环境名称,可以自由命名。虚拟环境的运行需要一些库,安装完后,返回下面结果.
2.输入activate lypytorch进入虚拟环境。如果不想使用虚拟环境了,可以输入conda.bat deactivate来关闭当前虚拟环境(直接使用deactivate lypytorch不太行,会提示错误,一个坑点).
3.浏览器中进入这个页面,进入Pytorch的官网后,点击Get Started进入下载页面.
在Compute Platform中,如果想用GPU计算,得选CUDA等来安装GPU版本的PyTorch。安装GPU版本的PyTorch,得先有块NVIDIA的GPU并且安装了显卡的驱动,并且在安装前,需要提前安装CUDA和CUDNN,这里我自己的电脑,虽然有显卡,但也不是很好的那种,就用CPU版本的。安装GPU版本的PyTorch需要硬件支持,而且准备工作非常多,推荐先使用CPU版本的PyTorch。其实,小规模的神经网络,PyTorch的运行速度并无比较大的区别.
在虚拟环境PyTorch中输入下面命令,就可以开始PyTorch的安装了.
conda install pytorch torchvision torchaudio cpuonly -c pytorch
4.新建的虚拟环境是没有Jupyter的,需要运行下面的指令来安装.
conda install jupyter
运行后的输出.
当然,除了Jupyter外,还可以根据需要使用conda命令安装其他的Python库.
5.安装完后进行测试。打开Anaconda Navigator,由于PyTorch安装在虚拟环境lypytorch中的,可以在Anaconda Navigator界面中的Applications on下拉列表框中选择lypytorch,然后,可以启动该环境下的Jupyter Notebook.
6.打开Jupyter Notebook后,输入import等指令来导入库.
import torchimport torchvisiontorch.__version__
这里的torch是PyTorch的核心库,torchvision包是服务于PyTorch深度学习框架的,用来产生图片、视频数据集、一些流行的模型类和预训练模型。简言之,torchvision由torchvision.datasets、torchvision.models、torchvision.transforms和torchvision.utils四个模块组成。安装的时候,会同时安装了PyTorch和torchvision。结果如下面所示,表示运行成功.
Jupyter默认打开的路径不知跑到哪去了,需要修改下默认的启动路径.
1.虚拟环境下,运行下面指令查看配置文件路径.
jupyter notebook --generate-config
得到下面结果:
2.在Windows系统下,找到对应的文件.
3.打开后搜索到下面的代码,把注释去掉后,选择默认的工作路径.
## The directory to use for notebooks and kernels. #c.NotebookApp.notebook_dir = ''
这里D:\Jupyter_PyTorch是我的工作路径,可以修改成自己的。还得注意,指令前面是不能留空格的。同时自己的工作文件夹需要提前新建,否则Jupyter Notebook会找不到这个文件,会产生闪退现象.
4.更改完,再右键自己虚拟环境下的Jupyter快捷方式,点击属性,将“%USERPROFILE%”删除保存.
右键属性打开后删除对应的路径,并应用下.
5.修改完,可以直接点击程序运行,默认是打开虚拟环境下Jupyter,打开后,新建一个文件,导入一下PyTorch,保存一下,可以看到在之前的工作空间下,已经产生了保存的文件.
Note:
如果命令“jupyter notebook --generate-config”执行有错误,大多是因为没有配置环境变量导致的,需要先进行设置下.
到此这篇关于PyTorch学习之软件准备与基本操作总结的文章就介绍到这了,更多相关PyTorch软件准备与基本操作内容请搜索我以前的文章或继续浏览下面的相关文章希望大家以后多多支持我! 。
原文链接:https://blog.csdn.net/mmphhh/article/details/116596556 。
最后此篇关于PyTorch学习之软件准备与基本操作总结的文章就讲到这里了,如果你想了解更多关于PyTorch学习之软件准备与基本操作总结的内容请搜索CFSDN的文章或继续浏览相关文章,希望大家以后支持我的博客! 。
已关闭。此问题不符合Stack Overflow guidelines 。目前不接受答案。 这个问题似乎与 help center 中定义的范围内的编程无关。 . 已关闭 3 年前。 此帖子于去年编辑
据我所知,在使用 GPU 训练和验证模型时,GPU 内存主要用于加载数据,向前和向后。据我所知,我认为 GPU 内存使用应该相同 1) 训练前,2) 训练后,3) 验证前,4) 验证后。但在我的例子中
我正在尝试在 PyTorch 中将两个复数矩阵相乘,看起来 the torch.matmul functions is not added yet to PyTorch library for com
我正在尝试定义二分类问题的损失函数。但是,目标标签不是硬标签0,1,而是0~1之间的一个 float 。 Pytorch 中的 torch.nn.CrossEntropy 不支持软标签,所以我想自己写
我正在尝试让 PyTorch 与 DataLoader 一起工作,据说这是处理小批量的最简单方法,在某些情况下这是获得最佳性能所必需的。 DataLoader 需要一个数据集作为输入。 大多数关于 D
Pytorch Dataloader 的迭代顺序是否保证相同(在温和条件下)? 例如: dataloader = DataLoader(my_dataset, batch_size=4,
PyTorch 的负对数似然损失,nn.NLLLoss定义为: 因此,如果以单批处理的标准重量计算损失,则损失的公式始终为: -1 * (prediction of model for correct
在PyTorch中,new_ones()与ones()有什么区别。例如, x2.new_ones(3,2, dtype=torch.double) 与 torch.ones(3,2, dtype=to
假设我有一个矩阵 src带形状(5, 3)和一个 bool 矩阵 adj带形状(5, 5)如下, src = tensor([[ 0, 1, 2], [ 3, 4,
我想知道如果不在第 4 行中使用“for”循环,下面的代码是否有更有效的替代方案? import torch n, d = 37700, 7842 k = 4 sample = torch.cat([
我有三个简单的问题。 如果我的自定义损失函数不可微会发生什么? pytorch 会通过错误还是做其他事情? 如果我在我的自定义函数中声明了一个损失变量来表示模型的最终损失,我应该放 requires_
我想知道 PyTorch Parameter 和 Tensor 的区别? 现有answer适用于使用变量的旧 PyTorch? 最佳答案 这就是 Parameter 的全部想法。类(附加)在单个图像中
给定以下张量(这是网络的结果 [注意 grad_fn]): tensor([121., 241., 125., 1., 108., 238., 125., 121., 13., 117., 12
什么是__constants__在 pytorch class Linear(Module):定义于 https://pytorch.org/docs/stable/_modules/torch/nn
我在哪里可以找到pytorch函数conv2d的源代码? 它应该在 torch.nn.functional 中,但我只找到了 _add_docstr 行, 如果我搜索conv2d。我在这里看了: ht
如 documentation 中所述在 PyTorch 中,Conv2d 层使用默认膨胀为 1。这是否意味着如果我想创建一个简单的 conv2d 层,我必须编写 nn.conv2d(in_chann
我阅读了 Pytorch 的源代码,发现它没有实现 convolution_backward 很奇怪。函数,唯一的 convolution_backward_overrideable 函数是直接引发错
我对编码真的很陌生,现在我正在尝试将我的标签变成一种热门编码。我已经完成将 np.array 传输到张量,如下所示 tensor([4., 4., 4., 4., 4., 4., 4., 4., 4.
我正在尝试实现 text classification model使用CNN。据我所知,对于文本数据,我们应该使用一维卷积。我在 pytorch 中看到了一个使用 Conv2d 的示例,但我想知道如何
我有一个多标签分类问题,我正试图用 Pytorch 中的 CNN 解决这个问题。我有 80,000 个训练示例和 7900 个类;每个示例可以同时属于多个类,每个示例的平均类数为 130。 问题是我的
我是一名优秀的程序员,十分优秀!