《深度学习》——pytorch简介和安装

pytorch是什么？

pytorch的特点

PyTorch 是一个开源的深度学习框架，由 Facebook 的人工智能研究团队开发。它在学术界和工业界都得到了广泛的应用，下面从多个方面详细介绍：

• 动态计算图

  • PyTorch 使用动态计算图，这意味着图是在运行时动态创建的。与静态计算图（如 TensorFlow 1.x）相比，动态计算图使得代码的调试更加容易，因为你可以像编写普通 Python 代码一样编写和调试模型，并且可以在运行时根据条件改变计算图的结构。
  • 示例代码：

  import torch
  
  x = torch.tensor([1.0], requires_grad=True)
  y = x * 2
  z = y * y
  z.backward()
  print(x.grad)  # 输出梯度
  

  结果:
  

• 简洁易用

  • PyTorch 的 API 设计简洁直观，与 Python 的语法风格高度契合，对于熟悉 Python 的开发者来说很容易上手。它提供了丰富的工具和函数，方便用户进行模型的构建、训练和部署。

• 强大的 GPU 支持

  • PyTorch 可以很方便地将计算任务转移到 GPU 上进行加速。通过简单的代码修改，就可以将模型和数据移动到 GPU 上运行，充分利用 GPU 的并行计算能力。
  • 示例代码：

  import torch
  
  device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
  x = torch.tensor([1.0], requires_grad=True).to(device)
  print(device)
  

  结果：

• 丰富的生态系统

  • PyTorch 拥有庞大的社区和丰富的生态系统，包括各种预训练模型、工具库和教程。例如，TorchVision 提供了计算机视觉领域的数据集、模型和图像变换工具；TorchText 则专注于自然语言处理任务。

基本组件

• 张量（Tensor）
  • 张量是 PyTorch 中最基本的数据结构，类似于 NumPy 的数组。张量可以在 CPU 或 GPU 上进行计算，并且支持自动求导。
  • 示例代码：

  import torch
  
  # 创建一个张量
  x = torch.tensor([[1, 2], [3, 4]])
  print(x)
  

  结果
  

• 自动求导（Autograd）
  • PyTorch 的 Autograd 模块提供了自动求导功能，它可以根据定义的计算图自动计算梯度。在训练深度学习模型时，自动求导可以大大简化梯度计算的过程。
  • 示例代码：

  import torch
  
  x = torch.tensor([1.0], requires_grad=True)
  y = x ** 2
  y.backward()
  print(x.grad)  # 输出梯度
  

  结果：
  

• 神经网络模块（nn.Module）
  • nn.Module是 PyTorch 中用于构建神经网络的基类。通过继承nn.Module，可以方便地定义自己的神经网络模型，并使用forward方法定义前向传播过程。
  • 示例代码：

  import torch
  import torch.nn as nn
  
  class SimpleNet(nn.Module):
      def __init__(self):
          super(SimpleNet, self).__init__()
          self.fc = nn.Linear(10, 1)
  
      def forward(self, x):
          return self.fc(x)
  
  model = SimpleNet()
  

• 优化器（Optimizer）
  • PyTorch 提供了多种优化器，如 SGD、Adam、RMSprop 等，用于更新模型的参数。优化器根据计算得到的梯度来调整模型的参数，以最小化损失函数。
  • 示例代码：

  import torch
  import torch.nn as nn
  import torch.optim as optim
  
  model = nn.Linear(10, 1)
  optimizer = optim.SGD(model.parameters(), lr=0.01)
  

应用场景

• 计算机视觉
  • 在图像分类、目标检测、语义分割等任务中，PyTorch 被广泛应用。例如，使用预训练的 ResNet、VGG 等模型进行图像分类任务。
• 自然语言处理
  • 在文本分类、机器翻译、情感分析等任务中，PyTorch 也有出色的表现。例如，使用 Transformer 架构的模型（如 BERT、GPT）进行自然语言处理任务。
• 强化学习
  • PyTorch 提供了方便的工具和函数，用于实现强化学习算法，如 DQN、A2C、PPO 等。

pytorch安装

你可以根据自己的需求选择合适的安装方式，pytorch安装分为GPU版本和CPU版本：

cpu版本安装

首先进入pytorch官网：https://pytorch.org/

复制图中内容，因为CPU版本的PyTorch大小只有不到200MB，所以可以在选择前5个与自己的所对应的版本后直接复制最后的命令到电脑终端（win+R后输入cmd）中进行下载：

验证是否可用：

import torch

# 创建一个简单的张量
x = torch.tensor([1.0, 2.0, 3.0])
y = torch.tensor([4.0, 5.0, 6.0])

# 执行张量加法运算
z = x + y

# 打印结果
print("加法运算结果:", z)

结果：

GPU版本安装

GPU版本安装首先电脑要有显卡才可以，并下载cuda，cuda下载步骤可自行搜索下载，但是一定要对应版本号，高版本可向下兼容低版本。
cuda下载完成后再根据cuda的版本注意pytorch的cuda版本不要高于电脑的cuda版本，否则cuda和pytorch不可用。
以本人电脑为例，电脑cuda版本为12.4

故本人选择的pytorch为：

选择好后直接复制最后的命令到电脑终端（win+R后输入cmd）中进行下载：

验证GPU版本是否可用：

import torch

# 检查 CUDA 是否可用
if torch.cuda.is_available():
    print("CUDA 可用")
    # 获取可用的 GPU 数量
    num_gpus = torch.cuda.device_count()
    print(f"可用的 GPU 数量: {num_gpus}")
    # 获取当前使用的 GPU 设备名称
    current_device = torch.cuda.current_device()
    print(f"当前使用的 GPU 设备名称: {torch.cuda.get_device_name(current_device)}")

    # 在 GPU 上创建一个张量
    x = torch.tensor([1.0, 2.0, 3.0]).cuda()
    y = torch.tensor([4.0, 5.0, 6.0]).cuda()
    # 执行张量加法运算
    z = x + y
    print("GPU 上的加法运算结果:", z)
else:
    print("CUDA 不可用，将使用 CPU 进行计算")

结果：