Ubuntu上如何进行PyTorch模型的训练和评估

在Ubuntu上进行PyTorch模型的训练和评估，可以按照以下步骤进行：

1. 安装必要的软件包

首先，确保你的Ubuntu系统已经安装了Python和pip。然后，安装PyTorch和其他必要的库。

# 更新包列表
sudo apt update

# 安装Python3和pip
sudo apt install python3 python3-pip

# 安装PyTorch
# 你可以根据你的CUDA版本选择合适的安装命令
# 例如，如果你有CUDA 11.7，可以使用以下命令：
pip3 install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117

# 安装其他必要的库
pip3 install numpy matplotlib

2. 准备数据集

准备你的数据集，并将其分为训练集、验证集和测试集。你可以使用torchvision库中的数据集，或者自己加载数据。

import torch
from torchvision import datasets, transforms

# 定义数据预处理
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.5,), (0.5,))
])

# 加载训练集
train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True)

# 加载验证集
val_dataset = datasets.MNIST(root='./data', train=False, download=True, transform=transform)
val_loader = torch.utils.data.DataLoader(val_dataset, batch_size=64, shuffle=False)

# 加载测试集
test_dataset = datasets.MNIST(root='./data', train=False, download=True, transform=transform)
test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=64, shuffle=False)

3. 定义模型

定义你的PyTorch模型。这里以一个简单的卷积神经网络为例。

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, 10, kernel_size=5)
        self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
        self.conv2_drop = nn.Dropout2d()
        self.fc1 = nn.Linear(320, 50)
        self.fc2 = nn.Linear(50, 10)

    def forward(self, x):
        x = F.relu(F.max_pool2d(self.conv1(x), 2))
        x = F.relu(F.max_pool2d(self.conv2_drop(self.conv2(x)), 2))
        x = x.view(-1, 320)
        x = F.relu(self.fc1(x))
        x = F.dropout(x, training=self.training)
        x = self.fc2(x)
        return F.log_softmax(x, dim=1)

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. 评估模型

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')

test(model, device, test_loader)

7. 保存和加载模型

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

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

通过以上步骤，你可以在Ubuntu上完成PyTorch模型的训练和评估。根据你的具体需求，你可以调整数据集、模型结构、超参数等。

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！