淮安网站开发,wordpress顶部通知栏公告,毕业设计做网站论文,网站维护大概要多久文章目录 配置镜像源下载Pytorch验证使用Pytorch进行数字识别 配置镜像源
Anaconda下载完毕之后#xff0c;有两种方式下载pytorch#xff0c;一种是用页面可视化的方式去下载#xff0c;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#x… 文章目录 配置镜像源下载Pytorch验证使用Pytorch进行数字识别 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), dim1) # 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, transformto_tensor, downloadTrue) # 加载MNIST数据集return DataLoader(data_set, batch_size15, shuffleTrue) # 创建数据加载器# 定义模型评估函数
def evaluate(test_data, net):n_correct 0n_total 0with 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 1n_total 1return n_correct / n_total # 返回准确率# 定义模型保存函数
def save_model(net, pathmnist_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, pathmnist_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, dim1) # 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_trainTrue) # 加载训练数据test_data get_data_loader(is_trainFalse) # 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(), lr0.001) # 定义Adam优化器for epoch in range(2): # 训练2个epochfor (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(fPredicted 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
