pytorch初学笔记

pytorch学习笔记（一）

写在前面的话： 要做图像处理，肯定得用到深度学习框架，会一点tf，但是感觉是真的麻烦，所以先选择了pytorch进行学习，最苦恼的搭环境也比较容易。都用于自我复习用，非教程！！！

一. GPU与CPU环境搭建

1. Anaconda——最简单的配置软件

• 下载后是python3.7版本的，自建了一个3.6的用于学习使用(目前对各种库友好一些)
• CPU版本直接在软件里装，或者conda安装即可

2. GPU版本

• 搜索 cuda download ，自选版本，windows 就选最新的。

• 安装后在命令窗口输入nvcc -V 可查看其版本，如果报错配置下环境变量

• 搜索pytorch，去官网选择自己python的对应版本，复制相应指令下载

成功后到相应虚拟环境里就可以

import sys
print(sys.executable)

import torch
print(torch.__version__)
print('gpu: ', torch.cuda.is_available())

Got it！ 这说明GPU版本可用了

二. visdom可视化安装

1. pip 安装

pip install visdom

2. 源码安装

源码点我 随便下载到自定义的文件夹下并解压，打开cmd窗口。并cd到相应路径（提前激活相应的虚拟环境，也就是要安装的环境内）。不懂的话 点我。到了相应路(一般是在visdom-master下)，输入

pip intall  -e .

很容易安装成功…
然后输入

cd ../..

相当于到了下载的根目录下

3. 启动服务

其实本质上是一个服务，需要下载一些配置文件。

python -m visdom.server

一般来说会卡住不动了，显示需要等待，然后没有然后了…
解决方法： 使用anaconda安裝visdom及疑難解決 下载后整个文件夹覆盖掉原文件夹就行，再重复上面指令就ok了。

三. 一些个人笔记（慢慢积累…）

写在前面的话： 如有错误，欢迎指正，不胜感激！

1. 将数据写入GPU

device = torch.device('cuda:0' if torch.cuda.is_available() else "cpu")
data.to(device)

2. Regularization 泛化 (L1，L2正则化) 同dropout层类似，防止过拟合，是预测边界更平滑。
3. 需要梯度信息时需在写入数据时加入requires_grad=True，如

w1 = torch.randn(200, 784, requires_grad=True)

4. 动量monument，可以加快拟合，并可能找到全局最优解。
5. CrossEntropyLoss 操作后不再需要进行softmax操作，因为已经进行过了
6. 使用torchvision中的mnist数据集的分类识别
7. 卷积神经网络参数的计算

四. 参考资料

[1] visdom配置
[2] 使用anaconda安裝visdom及疑難解決