KeyarchOS系统快速安装Pytorch教程

原创已于 2024-07-24 19:19:17 修改 · 157 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#pytorch #人工智能 #python

于 2023-10-13 14:00:05 首次发布

软件兼容性专栏收录该内容

282 篇文章

订阅专栏

本文介绍了如何在浪潮信息KOS服务器操作系统上安装和配置PyTorch1.0.0，包括使用miniconda管理环境、创建虚拟环境以及测试PyTorch功能，如查看版本和训练线性回归模型。

部署运行你感兴趣的模型镜像

1 概述

浪潮信息KOS是浪潮信息基于Linux Kernel、OpenAnolis等开源技术自主研发的一款服务器操作系统，支持x86、ARM等主流架构处理器，性能和稳定性居于行业领先地位，具备成熟的 CentOS 迁移和替换能力，可满足云计算、大数据、分布式存储、人工智能、边缘计算等应用场景需求。浪潮信息云峦服务器操作系统KeyarchOS_KOS服务器操作系统-浪潮信息

PyTorch是一个使用GPU和CPU进行深度学习的优化张量库，是一种用于构建深度学习模型的功能完备框架，该框架将 Torch 中高效而灵活的 GPU 加速后端库与直观的 Python 前端相结合，后者专注于快速原型设计、可读代码，并支持尽可能广泛的深度学习模型。https://pytorch.org/

2 安装准备

2.1 操作环境

操作系统版本：KOS 5.8 (4.18.0-372.41.1.kos5.x86_64)

测试架构：x86_64，8核4G虚拟机

2 2 软件版本

Pytorch 1.0.0

conda 23.5.2

3 安装Pytorch

3.1 安装miniconda

使用miniconda官方的脚本安装miniconda

mkdir -p ~/miniconda3

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh -O ~/miniconda3/miniconda.sh

bash ~/miniconda3/miniconda.sh -b -u -p ~/miniconda3

rm -rf ~/miniconda3/miniconda.sh

使用conda初始化bash（或其他shell）

~/miniconda3/bin/conda init bash

可以看到提示符前面多了表示conda环境的base标识

3.2 使用conda安装Pytorch

使用conda创建pytorch虚拟环境

conda create -n pytorch1.0 python=3.6

激活pytorch1.0环境

conda activate pytorch1.0

使用conda安装pytorch 1.0

conda install pytorch-cpu==1.0.0 torchvision-cpu==0.2.1 cpuonly -c pytorch

conda list可以看到pytorch已经被成功安装。

4 测试Pytorch

4.1 查看Pytorch版本

安装完成后可以激活pytorch环境在python中输出pytorch版本：

conda activate pytorch1.0

python

import torch

torch.__version__

4.2 训练线性回归模型

使用一个简单的线性回归模型进行训练测试：

import torch
import torch.nn as nn
import numpy as np

print('训练数据：')
x_values = [i for i in range(11)]
x_train = np.array(x_values, dtype=np.float32)
x_train = x_train.reshape(-1, 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
print(x_train.T)
print(y_train.T)

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 = 1

model = LinearRegressionModel(input_dim, output_dim)

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

print('\n开始训练：')
for epoch in range(epochs):
    epoch += 1
    # 注意转行成tensor
    inputs = 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()))

print('\n预测结果：')
predicted = model(torch.from_numpy(x_train).requires_grad_()).data.numpy()
print(predicted.T)

训练结果如下所示，可以看到pytorch被正确调用并实现模型的训练。