基于cpu安装pytorch框架

原创 已于 2024-04-20 22:00:22 修改 · 278 阅读 · 5 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#pytorch #python

于 2024-04-15 12:28:32 首次发布
部署运行你感兴趣的模型镜像

入学前提前接触一下深度学习的内容，给以后做铺垫：

  1. 安装好Anaconda
  2. 打开anaconda prompt
  3. 跟着这个blog做：https://blog.youkuaiyun.com/qq_46542320/article/details/129801880?spm=1001.2101.3001.6650.5&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-5-129801880-blog-107489113.235%5Ev43%5Epc_blog_bottom_relevance_base3&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-5-129801880-blog-107489113.235%5Ev43%5Epc_blog_bottom_relevance_base3&utm_relevant_index=8
  4. 安装好基于cpu的pytorch之后，由于做项目都在pycharm上，所以还要在导入解释器，具体步骤参考这个blog的后半部分：https://blog.youkuaiyun.com/qq_40467656/article/details/107489113
  5. 以后新项目直接在这个解释器上面跑就行
  6. 测试：

因为之前试着安装过现在跑不起来了，但是东西还在电脑里面，一切从头来了一遍，还出现过引用之前文件路径导致最后报错，所以感谢这两位作者的blog的内容，给我节省了很多时间

安装好以后就可以做一些简单的深度学习项目入门了，先入个门，后面开学了真正开始科研换个好点的游戏本或者用实验室的电脑做。

您可能感兴趣的与本文相关的镜像

PyTorch 2.5

PyTorch 2.5

PyTorch
Cuda

PyTorch 是一个开源的 Python 机器学习库，基于 Torch 库，底层由 C++ 实现，应用于人工智能领域，如计算机视觉和自然语言处理

从零开始安装pytorch（包含GPU和CPU版本的安装）
qiaoxinyu1989的博客
01-31 7万+
Pytorch是。
基于Pytorch框架构建ResNet模型
2301_78972534的博客
06-24 1677
定义了一个自定义的ResNet-50模型，这是一个在图像识别任务中广泛使用的卷积神经网络（CNN）架构。代码中使用了一些简写，比如c_block和i_block，这些应该是在代码的其他部分定义的类，分别代表ResNet中的convolution block（卷积块）和identity block（恒等块）。
(Anaconda+PyTorch+PyCharm)基于CPU的PyTorch深度学习环境配置-Anaconda安装，PyTorch安装，PyCharm教程
m0_65482549的博客
07-12 4306
Anaconda指的是一个开源的Python发行版本，其包含了conda、Python等180多个科学包及其依赖项。因为包含了大量的科学包，Anaconda 的下载文件比较大（约 531 MB），如果只需要某些包，或者需要节省带宽或存储空间，也可以使用Miniconda这个较小的发行版（仅包含conda和 Python）。Conda是一个开源的包、环境管理器，可以用于在同一个机器上安装不同版本的软件包及其依赖，并能够在不同的环境之间切换。
PyTorch框架使用
qq_28309121的博客
04-06 826
Torch7是Torch的一个后续版本，引入了Lua编程语言，并在深度学习领域取得了一定的成功。遗憾的是，随着pytorch的普及，Torch便不再维护，Torch7也就成为了Torch的最后一个版本。在PyTorch中，有些张量的底层数据在内存中的存储顺序与其在张量中的逻辑顺序不一致，view 函数无法对这样的张量进行变形处理，transpose：实现交换张量形状的指定维度, 例如: 一个张量的形状为 (2, 3, 4) ，把 3 和 4 进行交换, 将张量的形状变为 (2, 4, 3)
使用 Anaconda 安装 Pytorch
热门推荐
西岸贤
05-16 3万+
本文的主要内容是使用 Anaconda 安装 Pytorch，PyTorch是一个开源的Python机器学习库，基于Torch，用于自然语言处理等应用程序，其运行环境已兼容Windows (CUDA,CPU)、MacOS (CPU)、Linux (CUDA,ROCm,CPU)。
pytorch框架
liguandong
02-17 3769
一文搞懂 PyTorch 内部机制 - 知乎原文链接：http://blog.ezyang.com/2019/05/pytorch-internals/ 原文出处：https://archwalker.github.io 原文地址：一文搞懂 PyTorch 内部机制译者序：这篇博文是一篇非常新的介绍PyTorch内部机制的文章，作者Edw…https://zhuanlan.zhihu.com/p/338256656PyTorch – Internal Architecture Tour | Terra In
windows下安装PyTorch框架支持CPU和GPU两种安装方式
Together_CZ的博客
12-15 1391
windows下安装PyTorch框架支持CPU和GPU两种安装方式
【保姆级教程】PyTorch GPU/CPU 版安装全攻略！
dlraba的博客
08-24 1248
CUDA 是 NVIDIA 推出的一种操作 GPU 计算的硬件和软件架构，它是建立在 NVIDIA GPU 上的通用并行计算平台和编程模型。简单来说，CUDA 为开发者提供了 GPU 编程的简易接口，基于 CUDA 编程可以构建 GPU 计算应用程序，利用 GPU 的并行计算引擎高效解决复杂计算难题，无需将计算映射到图形 API，是实现 GPU 加速深度学习的关键技术。​。
AI开发学习之——PyTorch框架
oscar999的专栏
02-02 2019
PyTorch （Python torch）是由 Facebook AI 研究团队开发的开源机器学习库，广泛应用于深度学习研究和生产。它以动态计算图和易用性著称，支持 GPU 加速计算，并提供丰富的工具和模块。创建需要梯度的张量x。定义函数y = x * 2和。通过计算z对x的梯度。根据链式法则，梯度计算结果为。PyTorch 的自动微分机制使得梯度计算变得非常简单，尤其是在深度学习模型中，这种机制可以自动计算损失函数对模型参数的梯度，从而支持梯度下降等优化算法。torch。
机器学习：pytorch框架（1）安装
SpiderB的博客
11-21 847
它将常见的Python包打包发布，解决了独立安装时所遇到的版本冲突问题，同时可以进行创建和管理多个独立的Python虚拟环境。PyTorch是基于动态图构建的，可以使用Python一般的语法，如If/Else/While/For等，天然的Python友好且便于调试，熟悉Python的人们可以快速上手。在选项卡中选好配置后，选项卡下面的“Run this Command”栏中就会生成相应的安装命令，将其复制到CMD命令行中运行即可完成PyTorch的安装。然后去英伟达官网查看对应的支持版本。
精选资源
深度学习大作业-基于PyTorch框架和CPU实现CIFAR100分类模型搭建python源码+文档说明（高分项目）
12-14
深度学习大作业-基于PyTorch框架和CPU实现CIFAR100分类模型搭建python源码+文档说明（高分项目），含有代码注释，满分大作业资源，新手也可看懂，期末大作业、课程设计、高分必看，下载下来，简单部署，就可以使用。...
基于Pytorch框架实现ResNet18中嵌入视觉注意力机制python源码+项目说明.zip
09-25
基于Pytorch框架实现ResNet18中嵌入视觉注意力机制python源码+项目说明.zip 在ResNet18中嵌入视觉注意力机制 # 实验环境 实验环境配置 | **相关设置** | | | ------------ | ------------------------------------...
卷积神经网络基础：3、基于Pytorch框架的AlexNet的CPU、GPU实现
07-11
从零开始搭建深度学习大厦系列之基于Pytorch框架的AlexNet的CPU、GPU实现，既包括了深度学习和卷积神经网络的基础知识，也涵盖了PyTorch框架的实际应用技巧。掌握这些内容，对于有志于成为机器学习和深度学习领域的...
基于深度学习的Pytorch框架的文本分类.zip
09-14
另外，使用Pytorch框架进行文本分类，还需要关注计算设备的选择（CPU或GPU）、超参数的调整、模型调优、防止过拟合和数据增强等高级主题。实践中，往往需要结合具体任务调整和优化这些方面，以达到最佳的分类性能。 ...
PyTorch的Dataloader模块解析
工地搬砖第一年的博客
12-01 449
过采样少数类，保持类别平衡# 每个少数类样本采样2次。
【ML|DL |python|pytorch|】基础学习
最新发布
十二_的博客
12-03 462
本文介绍了Anaconda环境配置与PyTorch基础操作。主要内容包括：1）使用conda检查和管理Python、PyTorch等环境；2）创建/删除conda环境的技巧；3）PyTorch张量(tensor)的基本创建方法(ones_like, rand等)和属性(dtype, shape等)；4）关键张量操作函数(is_tensor, numel, cat等)的用法，重点讲解了torch.cat()在不同维度拼接三维张量的原理和效果。文章通过代码示例和形象比喻(如"千层饼"、&qu
云主机GPU pyTorch部署
宝安小雨
12-02 176
直接装最新稳定版（当前是 2.5.0，支持 CUDA 11.8 和 12.1，T4 完美支持）这样安装的三个都是GPU版本。
深度学习实战（基于pytroch）系列（四十三）深度循环神经网络pytorch实现
echo的博客
11-30 1135
本文介绍了深度循环神经网络(Deep RNN)的PyTorch实现。深度RNN包含多个隐藏层，每个隐藏状态同时在时间维度(下一时间步)和深度维度(下一层)传递。文章详细阐述了数学定义，包括各层隐藏状态的计算公式和输出层计算。同时提供了PyTorch实现代码，支持RNN、GRU和LSTM三种结构，包含初始化隐藏状态的方法。实现中考虑了超参数调节、门控机制扩展和初始化策略等关键因素，为构建更强大的序列模型提供了基础框架。
深度学习实战（基于pytroch）系列（四十一）长短期记忆（LSTM）pytorch简洁实现
echo的博客
11-29 1077
本文介绍了使用PyTorch简洁实现长短期记忆网络(LSTM)语言模型的方法。首先读取周杰伦歌词数据集并进行预处理，然后定义包含LSTM层和全连接层的RNN模型类，其中LSTM需要同时处理隐藏状态和细胞状态。文章详细展示了模型初始化、预测函数实现以及训练过程，包括梯度裁剪和数据迭代器设计。通过对比手动实现，突出了PyTorch框架在简化LSTM实现方面的优势，为自然语言处理任务提供了高效的解决方案。
基于pytorch框架的狗品种识别
09-22
基于PyTorch框架实现狗品种识别，有以下实现方法和技术方案。 ### 实现方法 - **数据集构建**：构建包含多种狗品种的大规模定制数据集，如构建一个包含37个猫狗品种（含狗品种）的数据集，共计13,983张标注图像，也可使用包含训练集、验证集和测试集的大规模标注数据集，例如训练集12879张图像、验证集736张图像和测试集368张图像 [^1][^2]。 - **模型训练与优化**：基于PyTorch深度学习框架进行模型训练与优化。可以采用数据增强、迁移学习和模型优化技术。数据增强可增加数据的多样性，迁移学习能利用预训练模型的知识，加速模型的训练和提高性能 [^1][^2]。 - **图像特征提取与识别**：图像识别是在提取图像特征的基础上，对图像的不同模式目标和对象进行识别。常用的卷积神经网络模型有LeNet、AleXNet、GoogLeNet、VGGNet、ResNet等，可选择合适的模型构建卷积神经网络来解决狗品种识别问题，如使用结构较为简单的AleXNet网络，并引入预训练模型 [^4]。 ### 技术方案 - **系统架构**：系统后端基于PyTorch进行模型训练与优化，前端开发用户友好的图形化界面（UI），集成登录注册、图像上传、实时检测、结果可视化等功能，为实际应用提供便利 [^1]。 - **框架优势**：PyTorch是开源的深度学习框架，以动态计算图和易用性著称，提供丰富的工具和库，开发者能快速构建和训练深度学习模型，其灵活性和强大功能为狗品种识别模型的实现提供坚实基础 [^3]。 ### 代码示例 以下是一个简单的基于PyTorch和AleXNet的图像分类代码示例框架： ```python import torch import torch.nn as nn import torch.optim as optim from torchvision import datasets, transforms, models # 数据预处理 transform = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) # 加载数据集 train_dataset = datasets.ImageFolder(root='path/to/train_data', transform=transform) train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=32, shuffle=True) # 加载预训练的AleXNet模型 model = models.alexnet(pretrained=True) # 修改最后一层全连接层以适应狗品种分类任务 num_ftrs = model.classifier[6].in_features model.classifier[6] = nn.Linear(num_ftrs, num_classes) # num_classes为狗品种的数量 # 定义损失函数和优化器 criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9) # 训练模型 device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") model.to(device) for epoch in range(10): running_loss = 0.0 for i, data in enumerate(train_loader, 0): inputs, labels = data[0].to(device), data[1].to(device) optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() print(f'Epoch {epoch + 1}, Loss: {running_loss / len(train_loader)}') print('Finished Training') ```
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值