在Ubuntu上使用PyTorch训练模型的步骤如下：
首先，你需要安装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：
pip install torch torchvision torchaudio 如果你需要GPU支持，可以安装带有CUDA支持的版本：
pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113 请根据你的CUDA版本选择合适的URL（例如，cu113对应CUDA 11.3）。
如果你使用Anaconda，可以使用以下命令安装：
conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch 同样，请根据你的CUDA版本选择合适的cudatoolkit。
准备你的训练数据集。你可以使用PyTorch提供的torchvision.datasets模块来加载常见的数据集，例如MNIST、CIFAR-10等。
import torchvision.transforms as transforms import torchvision.datasets as datasets # 定义数据预处理 transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,)) ]) # 加载训练数据集 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) 定义你的神经网络模型。你可以使用PyTorch提供的预定义模型，也可以自己定义。
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, 6, 3) self.fc1 = nn.Linear(6 * 6 * 6, 10) def forward(self, x): x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2)) x = x.view(-1, self.num_flat_features(x)) x = self.fc1(x) return x def num_flat_features(self, x): size = x.size()[1:] # all dimensions except the batch dimension num_features = 1 for s in size: num_features *= s return num_features net = Net() 定义损失函数和优化器。
import torch.optim as optim criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(net.parameters(), lr=0.01, momentum=0.9) 编写训练循环来训练模型。
for epoch in range(5): # 多次循环遍历数据集 running_loss = 0.0 for i, data in enumerate(train_loader, 0): # 获取输入数据 inputs, labels = data # 梯度清零 optimizer.zero_grad() # 前向传播 + 反向传播 + 优化 outputs = net(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() # 打印统计信息 running_loss += loss.item() if i % 100 == 99: # 每100个mini-batches打印一次 print('[%d, %5d] loss: %.3f' % (epoch + 1, i + 1, running_loss / 100)) running_loss = 0.0 print('Finished Training') 训练完成后，你可以保存模型以便以后使用。
PATH = './cifar_net.pth' torch.save(net.state_dict(), PATH) 你可以加载保存的模型并进行预测。
net = Net() net.load_state_dict(torch.load(PATH)) dataiter = iter(train_loader) images, labels = dataiter.next() # 打印图像和标签 print('GroundTruth: ', ' '.join('%5s' % classes[labels[j]] for j in range(4))) outputs = net(images) _, predicted = torch.max(outputs, 1) print('Predicted: ', ' '.join('%5s' % classes[predicted[j]] for j in range(4))) 以上步骤涵盖了在Ubuntu上使用PyTorch训练模型的基本流程。根据具体需求，你可能需要调整数据预处理、模型结构、损失函数和优化器等部分。
