Ubuntu中PyTorch模型怎么训练

在Ubuntu系统中训练PyTorch模型，可以按照以下步骤进行：

1. 安装PyTorch

首先，确保你已经安装了PyTorch。你可以根据你的CUDA版本选择合适的安装命令。以下是一些常用的安装命令：

# 使用pip安装PyTorch（CPU版本）
pip install torch torchvision torchaudio

# 使用pip安装PyTorch（GPU版本，CUDA 11.3）
pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113

# 使用conda安装PyTorch（GPU版本，CUDA 11.3）
conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch

2. 准备数据

训练模型需要数据。你可以使用公开的数据集，如MNIST、CIFAR-10等，或者自己准备数据。

示例：加载MNIST数据集

import torch
from torchvision import datasets, transforms

# 定义数据转换
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.1307,), (0.3081,))
])

# 加载训练数据集
train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)

# 创建数据加载器
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True)

3. 定义模型

你可以使用PyTorch提供的预定义模型，或者自己定义模型。

示例：定义一个简单的卷积神经网络

import torch.nn as nn
import torch.nn.functional as F

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 32, 3, 1)
        self.conv2 = nn.Conv2d(32, 64, 3, 1)
        self.dropout1 = nn.Dropout2d(0.25)
        self.dropout2 = nn.Dropout2d(0.5)
        self.fc1 = nn.Linear(9216, 128)
        self.fc2 = nn.Linear(128, 10)

    def forward(self, x):
        x = self.conv1(x)
        x = F.relu(x)
        x = self.conv2(x)
        x = F.relu(x)
        x = F.max_pool2d(x, 2)
        x = self.dropout1(x)
        x = torch.flatten(x, 1)
        x = self.fc1(x)
        x = F.relu(x)
        x = self.dropout2(x)
        x = self.fc2(x)
        output = F.log_softmax(x, dim=1)
        return output

model = Net()

4. 定义损失函数和优化器

import torch.optim as optim

# 定义损失函数
criterion = nn.CrossEntropyLoss()

# 定义优化器
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)

5. 训练模型

def train(model, device, train_loader, optimizer, epoch):
    model.train()
    for batch_idx, (data, target) in enumerate(train_loader):
        data, target = data.to(device), target.to(device)
        optimizer.zero_grad()
        output = model(data)
        loss = criterion(output, target)
        loss.backward()
        optimizer.step()
        if batch_idx % 10 == 0:
            print(f'Train Epoch: {
epoch}
 [{
batch_idx * len(data)}
/{
len(train_loader.dataset)}
 ({
100. * batch_idx / len(train_loader):.0f}
%)]\tLoss: {
loss.item():.6f}
')

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model.to(device)

for epoch in range(1, 10):
    train(model, device, train_loader, optimizer, epoch)

6. 保存和加载模型

# 保存模型
torch.save(model.state_dict(), 'model.pth')

# 加载模型
model.load_state_dict(torch.load('model.pth'))

7. 测试模型

def test(model, device, test_loader):
    model.eval()
    test_loss = 0
    correct = 0
    with torch.no_grad():
        for data, target in test_loader:
            data, target = data.to(device), target.to(device)
            output = model(data)
            test_loss += criterion(output, target).item()
            pred = output.argmax(dim=1, keepdim=True)
            correct += pred.eq(target.view_as(pred)).sum().item()

    test_loss /= len(test_loader.dataset)
    print(f'\nTest set: Average loss: {
test_loss:.4f}
, Accuracy: {
correct}
/{
len(test_loader.dataset)}
 ({
100. * correct / len(test_loader.dataset):.0f}
    %)\n')

# 加载测试数据集
test_dataset = datasets.MNIST(root='./data', train=False, download=True, transform=transform)
test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=1000, shuffle=True)

# 测试模型
test(model, device, test_loader)

以上步骤涵盖了在Ubuntu系统中使用PyTorch训练模型的基本流程。你可以根据自己的需求进行调整和扩展。

声明：本文内容由网友自发贡献，本站不承担相应法律责任。对本内容有异议或投诉，请联系2913721942#qq.com核实处理，我们将尽快回复您，谢谢合作！