PyTorch框架学习一——PyTorch的安装（CPU版本）
PyTorch框架学习一——PyTorch的安装（CPU版本）
- PyTorch简介
- PyTorch的安装（CPU版）
机器学习/深度学习领域的学习都是需要理论和实践相结合的，而它们的实践都需要借助于一个框架来实现，PyTorch在学术界目前处于主流的地位，而且据说上手较快，从今天起开始学习该框架，为后面的学习打一个基础。
PyTorch简介
PyTorch背后的东家是Facebook。2017年1月FAIR（Facebook AI Research）首次发布了PyTorch。他的前身是Torch，而Torch是采用很小众的Lua语言为接口的机器学习框架，正因为Lua非常小众，所以Torch的知名度很低。
PyTorch是在Torch的基础上用Python语言重新打造的一款深度学习框架。不仅能够实现强大的GPU加速，同时还支持动态神经网络，这是很多主流深度学习框架比如Tensorflow等都不支持的。
PyTorch经历了如下的一些重大发展：
2017年1月正式发布PyTorch
2018年4月更新0.4.0版，支持Windows系统，caffe2正式进入PyTorch
2018年11月更新1.0稳定版，是GitHub上增长第二块的开源项目
2019年5月更新1.1.0版，支持TensorBoard，增强可视化功能
2019年8月更新1.2.0版，更新torchvision、torchaudio和torchtext，增加更多功能
PyTorch学习过程中需要查找官方文档：https://pytorch.org/docs/stable/index.html
PyTorch的安装（CPU版）
因为我的电脑是AMD锐龙的CPU和GPU，不能使用CUDA和CuDnn，也就不能在本机上安装GPU版本，所以只能安装CPU版本用于学习，后续若需要跑大型的深度学习算法，则需要转至服务器上跑，本机只是学习需要，下面就来看一下PyTorch的安装过程（默认已经安装anaconda和pycharm）：
1.打开Anaconda的Prompt命令窗口，先为PyTorch框架构建一个虚拟环境，Anaconda的好处就是可以构建很多个不同的虚拟环境，每个环境有着各自不同的框架或者说不同的Python解释器和工具包，命令如下，这里使用的Python的版本为3.7：
构建好虚拟环境后通过命令conda activate Pytorch_cpu来进入该虚拟环境：
我们需要在该虚拟环境下安装PyTorch和 torchvision 。
2.下面我们进入到PyTorch的官网：https://pytorch.org/
点击Get Started，进入后按照如下选择（只针对windows系统、pip安装、Python版本、无GPU的情况，如有其它需要则应该选择相应的）：
下面已经自动生成了一句安装PyTorch和torchvision的命令，查看一下版本无误的话就复制这条命令并粘贴到prompt命令窗口中：
这边是已经安装过了所以没有下载安装的过程，第一次安装会需要下载并安装，过程可能会很慢，这里建议换成国内的镜像源的快速度会得到飞速的提升。
3.以上如果没有问题的话则已经安装好了cpu版的PyTorch，这时我们可以测试一下是否安装正确：
如果正确安装的话是可以得到当前PyTorch的版本和是否GPU版本的。
4.最后我们较好使用PyTorch的IDE是pycharm，所以还需要在pycharm上设置一下解释器：
打开Pycharm->文件->设置->项目: (你的项目名)->Project Interpreter：
点后面的这个小齿轮->Add…，然后选择Conda Environment：
选择Existing Environment，点interpreter这行后面的三个小点：
然后按照你安装Anaconda的路径找到envs文件夹，里面会有相应的python.exe的解释器，选择这个即可：
这时已经设置好了，我们再在pycharm里测试一下Pytorch：
运行结果：
成功！
PyTorch框架学习一——PyTorch的安装（CPU版本）相关推荐
- PyTorch框架学习八——PyTorch数据读取机制（简述）
PyTorch框架学习八--PyTorch数据读取机制(简述) 一.数据 二.DataLoader与Dataset 1.torch.utils.data.DataLoader 2.torch.util ...
- PyTorch框架学习十五——可视化工具TensorBoard
PyTorch框架学习十五--可视化工具TensorBoard 一.TensorBoard简介 二.TensorBoard安装及测试 三.TensorBoard的使用 1.add_scalar() 2 ...
- PyTorch框架学习二十——模型微调（Finetune）
PyTorch框架学习二十--模型微调(Finetune) 一.Transfer Learning:迁移学习 二.Model Finetune:模型的迁移学习 三.看个例子:用ResNet18预训练模 ...
- PyTorch框架学习十九——模型加载与保存
PyTorch框架学习十九--模型加载与保存 一.序列化与反序列化 二.PyTorch中的序列化与反序列化 1.torch.save 2.torch.load 三.模型的保存 1.方法一:保存整个Mo ...
- PyTorch框架学习二——基本数据结构（张量）
PyTorch框架学习二--基本数据结构(张量) 一.什么是张量? 二.Tensor与Variable(PyTorch中) 1.Variable 2.Tensor 三.Tensor的创建 1.直接创建 ...
- PyTorch框架学习十八——Layer Normalization、Instance Normalization、Group Normalization
PyTorch框架学习十八--Layer Normalization.Instance Normalization.Group Normalization 一.为什么要标准化? 二.BN.LN.IN. ...
- PyTorch框架学习十七——Batch Normalization
PyTorch框架学习十七--Batch Normalization 一.BN的概念 二.Internal Covariate Shift(ICS) 三.BN的一个应用案例 四.PyTorch中BN的 ...
- PyTorch框架学习十六——正则化与Dropout
PyTorch框架学习十六--正则化与Dropout 一.泛化误差 二.L2正则化与权值衰减 三.正则化之Dropout 补充: 这次笔记主要关注防止模型过拟合的两种方法:正则化与Dropout. 一 ...
- PyTorch框架学习十四——学习率调整策略
PyTorch框架学习十四--学习率调整策略 一._LRScheduler类 二.六种常见的学习率调整策略 1.StepLR 2.MultiStepLR 3.ExponentialLR 4.Cosin ...
最新文章
- arduino小车前进代码_基于Arduino操纵杆扩展板Funduino制作机器人小车
- 盘点丨机器学习2017年重大进展汇总
- Linux零基础初级教程
- BZOJ-1057: [ZJOI2007]棋盘制作(单调栈)
- Java异常处理实验原理_Java异常处理原理与原则
- c++中的全排列函数next_permutation()
- html5怎么跟安卓交互,html5怎么与android交互
- 【数据结构与算法】顺序表V2.0的Java实现
- request.setAttribute()用法
- java ftp模糊查询_前端js模糊搜索（模糊查询）
- markdown引入代码_markdown简单使用之插入代码段
- js 正则判断用户是否输入表情
- 身份认证设计的基本准则
- 调用新浪微博显示用户信息
- Java文件快速copy复制
- excel如何把顺序倒过来_在excel中怎么使文字颠倒顺序反过来显示呢?
- 请帮助和关心Unix-Center
- Gauss 求积公式及代码
- Django项目于之在线教育平台网站的实战开发（一）
- 2021年湖南省长沙市房地产行业发展现状分析（附开发投资额、施工面积、商品房销售、待售面积等）[图]