文章目录
配置镜像源
Anaconda下载完毕之后，有两种方式下载pytorch，一种是用页面可视化的方式去下载，另一种方式就是直接用命令行工具去下载。
但是由于默认的Anaconda走的是外网，所以下载很慢，我们得首先配置镜像源，这里推荐用清华的，之前用中科大的出问题了，换成清华马上就好了。。。
打开Termial或者iTerm2
输入如下命令
conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/pro
conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
然后输入如下命令查看是否ok了
conda config --show channels
在输入如下命令
conda config --set show_channel_urls yes
这个时候你的配置基本就完成了，接下来你就可以开始下载了
下载Pytorch
pytorch官网
进入到官网，然后基于你的机器配置选择命令
然后将命令放入到命令行中进行运行。
特别注意！！！
这里一定要把梯子等工具都关掉，不然会出现HTTP相关的异常。
可以考虑使用如下命令处理一下
conda config --set ssl_verify false
如果踩坑了，从如下几个地方思考：
- 镜像源问题，换镜像源
- ssl验证关闭，使用上面的命令
- 别开梯子！！！！！！！
验证
使用如下命令就可以查看是否安装成功了
conda list | grep pytorch
使用Pytorch进行数字识别
import torch
from torch.utils.data import DataLoader
from torchvision import transforms
from torchvision.datasets import MNIST
import matplotlib.pyplot as plt
from PIL import Image
# 定义神经网络模型
class Net(torch.nn.Module):
def __init__(self):
super().__init__()
self.fc1 = torch.nn.Linear(28*28, 64) # 第一个全连接层，将输入从784维映射到64维
self.fc2 = torch.nn.Linear(64, 64) # 第二个全连接层，将输入从64维映射到64维
self.fc3 = torch.nn.Linear(64, 64) # 第三个全连接层，将输入从64维映射到64维
self.fc4 = torch.nn.Linear(64, 10) # 第四个全连接层，将输入从64维映射到10维（对应10个类别）
def forward(self, x):
x = torch.nn.functional.relu(self.fc1(x)) # 应用ReLU激活函数
x = torch.nn.functional.relu(self.fc2(x)) # 应用ReLU激活函数
x = torch.nn.functional.relu(self.fc3(x)) # 应用ReLU激活函数
x = torch.nn.functional.log_softmax(self.fc4(x), dim=1) # 应用log_softmax激活函数
return x
# 定义数据加载函数
def get_data_loader(is_train):
to_tensor = transforms.Compose([transforms.ToTensor()]) # 定义数据转换
data_set = MNIST("", is_train, transform=to_tensor, download=True) # 加载MNIST数据集
return DataLoader(data_set, batch_size=15, shuffle=True) # 创建数据加载器
# 定义模型评估函数
def evaluate(test_data, net):
n_correct = 0
n_total = 0
with torch.no_grad(): # 禁用梯度计算
for (x, y) in test_data:
outputs = net.forward(x.view(-1, 28*28)) # 前向传播计算输出
for i, output in enumerate(outputs):
if torch.argmax(output) == y[i]: # 比较预测结果与真实标签
n_correct += 1
n_total += 1
return n_correct / n_total # 返回准确率
# 定义模型保存函数
def save_model(net, path="mnist_model.pth"):
torch.save(net.state_dict(), path) # 保存模型权重到文件
# 定义模型加载函数
def load_model(net, path="mnist_model.pth"):
net.load_state_dict(torch.load(path)) # 从文件加载模型权重
# 定义图像预测函数
def predict_image(image, net):
net.eval() # 设置为评估模式
with torch.no_grad(): # 禁用梯度计算
output = net(image.view(-1, 28*28)) # 前向传播计算输出
predicted = torch.argmax(output, dim=1) # 获取预测结果
return predicted.item() # 返回预测类别
# 定义图像加载函数
def load_image(image_path):
image = Image.open(image_path).convert('L') # 打开图像并转换为灰度图
transform = transforms.Compose([transforms.Resize((28, 28)), transforms.ToTensor()]) # 定义图像转换
image = transform(image) # 应用转换
return image # 返回处理后的图像
def main():
train_data = get_data_loader(is_train=True) # 加载训练数据
test_data = get_data_loader(is_train=False) # 加载测试数据
net = Net() # 初始化神经网络模型
# 训练模型
optimizer = torch.optim.Adam(net.parameters(), lr=0.001) # 定义Adam优化器
for epoch in range(2): # 训练2个epoch
for (x, y) in train_data:
net.zero_grad() # 清零梯度
output = net.forward(x.view(-1, 28*28)) # 前向传播计算输出
loss = torch.nn.functional.nll_loss(output, y) # 计算损失
loss.backward() # 反向传播计算梯度
optimizer.step() # 更新模型参数
print("epoch", epoch, "accuracy:", evaluate(test_data, net)) # 打印每个epoch后的准确率
# 保存模型
save_model(net)
# 加载模型
net = Net() # 初始化新的神经网络模型
load_model(net) # 加载已保存的模型权重
print("Loaded model accuracy:", evaluate(test_data, net)) # 打印加载模型后的准确率
# 使用模型预测新图像
image_path = "path_to_your_image.png" # 替换为你要预测的图像路径
image = load_image(image_path) # 加载并预处理图像
prediction = predict_image(image, net) # 使用模型进行预测
print(f"Predicted digit: {prediction}") # 打印预测结果
if __name__ == "__main__":
main() # 运行main函数
第一次运行的时候，会加载数字识别模型到本地，第二次运行的时候，你就可以把训练过程的代码都注释掉了，直接使用这个最终的模型
第二次运行
你的模型就是这个pth文件
