DL框架之PyTorch:深度学习框架PyTorch的简介、安装、使用方法之详细攻略(二)

简介: DL框架之PyTorch:深度学习框架PyTorch的简介、安装、使用方法之详细攻略

2、PyTorch的三个结构层次

  • tensor:张量,多维数组,可在GPU上跑。
  • variable:可记住tensor在计算图中的位置,可知道当前variable和之前variable的关系。
  • module:神经网络的层次,如全连接层、卷积层。


PyTorch的安装

pip install torch

pip install torch==0.4.1.post2

T1方法

git clone https://github.com/pytorch/vision

cd vision

python setup.py install

T2方法

pip3 install http://download.pytorch.org/whl/cu80/torch-0.4.0-cp36-cp36m-win_amd64.whl

pip3 install torchvision

T3方法

pip install torch-0.4.0-cp36-cp36m-win_amd64.whl

pip install torchvision

image.png

1、20181114更新版本到 torch-0.4.1


pip3 install http://download.pytorch.org/whl/cu80/torch-0.4.1-cp36-cp36m-win_amd64.whl

pip3 install torchvision


(1)、测试


import torch  

print(torch.__version__)          #输出版本信息

print(torch.cuda.is_available())  #查看是否支持cuda




2、20200108更新版本到 torch 1.3.1




官网:https://pytorch.org/




执行命令:


pip3 install torch===1.3.1 torchvision===0.4.2 -f https://download.pytorch.org/whl/torch_stable.html

或者

pip install torch-1.3.1-cp36-cp36m-win_amd64.whl


image.png


3、Anaconda内安装torch的whl文件更新版本到 torch 1.3.1


pip install D:\ProgramData\Anaconda3\envs\torch-1.3.1-cp36-cp36m-win_amd64.whl


image.png



4、Anaconda内安装torch的whl文件更新版本到 torch 1.0.0


pip install torch===1.0.0 torchvision===0.2.1 -f https://download.pytorch.org/whl/cu100/torch_stable.html


image.png




PyTorch的使用方法


相关文章

Pytorch之CNN:基于Pytorch框架实现经典卷积神经网络的算法(LeNet、AlexNet、VGG、NIN、GoogleNet、ResNet)——从代码认知CNN经典架构



0、Pytorch基础知识


1、PyTorch是一个提供两个高级功能的python包:  

具有强GPU加速度的张量计算(如numpy)

深层神经网络建立在基于磁带的自动调整系统上

可以重用您最喜爱的python软件包,如numpy,scipy和Cython,以便在需要时扩展PyTorch。  


2、PyTorch在细粒度级别是由以下组件组成的库:

torch   像NumPy这样的Tensor图书馆,拥有强大的GPU支持

torch.autograd   一种基于磁带的自动分类库,支持所有可区分的Tensor操作手电筒。pytorch的自动求导工具包在torch.autograd中。

torch.nn   一个神经网络库与autograd设计了最大的灵活性。pytorch神经网络构建很容易,主要使用的包是torch.nn这个包,可以尝试使用pytorch构建一个简单的二层神经网络结构。


torch.optim   一种与torch.nn一起使用的优化包,具有标准优化方法,如SGD,RMSProp,LBFGS,Adam等。

torch.multiprocessing   python多处理,但是具有魔法内存共享的手电筒传感器跨过程。适用于数据加载和hogwild培训。

torch.utils   DataLoader,Trainer等实用功能为方便起见 torch.legacy(.nn / .optim) 由于向后兼容性原因,已经从割炬移植的旧代码


1、Pytorch三行命令即可运算


image.png



2、Pytorch加载预训练模型


import torch

import torchvision

alexnet= torchvision.models.models.alexnet(pretrained=True)

vgg16 = torchvision.models.vgg16(pretrained=True)

resnet101 = torchvision.models.resnet101(pretrained=True)

resnet152 = torchvision.models.resnet152(pretrained=True)

 


相关文章
|
机器学习/深度学习 算法 PyTorch
【Pytorch框架搭建神经网络】基于DQN算法、优先级采样的DQN算法、DQN + 人工势场的避障控制研究(Python代码实现)
【Pytorch框架搭建神经网络】基于DQN算法、优先级采样的DQN算法、DQN + 人工势场的避障控制研究(Python代码实现)
384 1
|
机器学习/深度学习 PyTorch TensorFlow
66_框架选择:PyTorch vs TensorFlow
在2025年的大语言模型(LLM)开发领域,框架选择已成为项目成功的关键决定因素。随着模型规模的不断扩大和应用场景的日益复杂,选择一个既适合研究探索又能支持高效部署的框架变得尤为重要。PyTorch和TensorFlow作为目前市场上最主流的两大深度学习框架,各自拥有独特的优势和生态系统,也因此成为开发者面临的经典选择难题。
1933 0
|
机器学习/深度学习 存储 监控
基于深度学习YOLO框架的城市道路损伤检测与评估项目系统【附完整源码+数据集】
本项目基于深度学习的YOLO框架,成功实现了城市道路损伤的自动检测与评估。通过YOLOv8模型,我们能够高效地识别和分类路面裂缝、井盖移位、坑洼路面等常见的道路损伤类型。系统的核心优势在于其高效性和实时性,能够实时监控城市道路,自动标注损伤类型,并生成损伤评估报告。
800 0
基于深度学习YOLO框架的城市道路损伤检测与评估项目系统【附完整源码+数据集】
|
机器学习/深度学习 自动驾驶 算法
基于深度学习的YOLO框架的7种交通场景识别项目系统【附完整源码+数据集】
在智慧交通和智能驾驶日益普及的今天,准确识别复杂交通场景中的关键元素已成为自动驾驶系统的核心能力之一。传统的图像处理技术难以适应高动态、复杂天气、多目标密集的交通环境,而基于深度学习的目标检测算法,尤其是YOLO(You Only Look Once)系列,因其检测速度快、精度高、可部署性强等特点,在交通场景识别中占据了重要地位。
1415 0
基于深度学习的YOLO框架的7种交通场景识别项目系统【附完整源码+数据集】
|
机器学习/深度学习 算法 PyTorch
【DQN实现避障控制】使用Pytorch框架搭建神经网络,基于DQN算法、优先级采样的DQN算法、DQN + 人工势场实现避障控制研究(Matlab、Python实现)
【DQN实现避障控制】使用Pytorch框架搭建神经网络,基于DQN算法、优先级采样的DQN算法、DQN + 人工势场实现避障控制研究(Matlab、Python实现)
531 0
|
机器学习/深度学习 并行计算 PyTorch
Windows下CUDA+pytorch安装
以下是关于在Windows下安装CUDA和PyTorch的简要介绍及参考链接:
984 0
Windows下CUDA+pytorch安装
|
机器学习/深度学习 PyTorch TensorFlow
深度学习工具和框架详细指南:PyTorch、TensorFlow、Keras
在深度学习的世界中,PyTorch、TensorFlow和Keras是最受欢迎的工具和框架,它们为研究者和开发者提供了强大且易于使用的接口。在本文中,我们将深入探索这三个框架,涵盖如何用它们实现经典深度学习模型,并通过代码实例详细讲解这些工具的使用方法。
1529 0
|
机器学习/深度学习 运维 安全
深度学习在安全事件检测中的应用:守护数字世界的利器
深度学习在安全事件检测中的应用:守护数字世界的利器
718 22
|
机器学习/深度学习 传感器 数据采集
深度学习在故障检测中的应用:从理论到实践
深度学习在故障检测中的应用:从理论到实践
1596 6
|
机器学习/深度学习 编解码 人工智能
计算机视觉五大技术——深度学习在图像处理中的应用
深度学习利用多层神经网络实现人工智能,计算机视觉是其重要应用之一。图像分类通过卷积神经网络(CNN)判断图片类别,如“猫”或“狗”。目标检测不仅识别物体,还确定其位置,R-CNN系列模型逐步优化检测速度与精度。语义分割对图像每个像素分类,FCN开创像素级分类范式,DeepLab等进一步提升细节表现。实例分割结合目标检测与语义分割,Mask R-CNN实现精准实例区分。关键点检测用于人体姿态估计、人脸特征识别等,OpenPose和HRNet等技术推动该领域发展。这些方法在效率与准确性上不断进步,广泛应用于实际场景。
1940 64
计算机视觉五大技术——深度学习在图像处理中的应用

热门文章

最新文章

推荐镜像

更多