window10下pytorch和torchvision CPU版本安装教程

下面是关于在Windows 10上安装PyTorch和torchvision的完整攻略。

环境准备

在开始安装过程之前，我们需要确保本地环境已经安装了Anaconda。这里以安装Anaconda最新版为例。

创建虚拟环境

首先，我们需要在Anaconda中创建一个新的虚拟环境来安装PyTorch和torchvision。在Anaconda Prompt命令行中执行以下命令：

conda create --name pytorch

安装PyTorch

接下来，我们可以使用以下命令来安装最新版本的PyTorch：

conda install pytorch cpuonly -c pytorch

如果你需要特定的版本，可以在命令的结尾添加版本号，例如：

conda install pytorch=1.7.0 cpuonly -c pytorch

安装torchvision

安装完PyTorch之后，我们可以使用以下命令来安装最新版本的torchvision：

conda install torchvision -c pytorch

也可以指定版本号，例如：

conda install torchvision=0.8.1 -c pytorch

示例说明

下面我们来举两个运用示例，以验证PyTorch和torchvision已经正常安装并可以使用。

示例一：简单的线性回归模型

首先，我们需要在虚拟环境中创建一个新的Python脚本文件(.py)，并添加以下代码：

import torch

# 生成一些随机数据
x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[2.0], [4.0], [6.0]])

class Model(torch.nn.Module):

    def __init__(self):
        super(Model, self).__init__()
        self.linear = torch.nn.Linear(1, 1) # 输入和输出的维度都是1

    def forward(self, x):
        y_pred = self.linear(x)
        return y_pred

# 创建模型对象
model = Model()

# 定义损失函数和优化器
criterion = torch.nn.MSELoss(reduction='sum')
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

# 训练模型
for epoch in range(500):
    # 前向传播
    y_pred = model(x_data)

    # 计算损失
    loss = criterion(y_pred, y_data)
    print(epoch, loss.item())

    # 反向传播
    optimizer.zero_grad()
    loss.backward()

    # 更新参数
    optimizer.step()

# 输出训练结果
print("w = ", model.linear.weight.item())
print("b = ", model.linear.bias.item())
print("y = ", model(torch.Tensor([[4.0]])).item())

运行这个脚本，可以看到输出如下：

0 65.48644256591797
1 28.524036407470703
2 12.588005065917969
3 5.5887227058410645
4 2.512704372406006
...
497 0.00010047321310251257
498 9.841993790504754e-05
499 9.656526305864379e-05
w =  1.9947435855865479
b =  0.004055593058466196
y =  7.993177890777588

这个示例展示了如何使用PyTorch来实现简单的线性回归模型，我们使用PyTorch中的torch.nn.Module类来定义模型，然后使用随机数据来训练模型，并使用SGD优化器来更新参数。

示例二：使用预训练模型进行图像分类

上面的示例已经证明我们成功安装了PyTorch和torchvision，现在我们可以使用一个预训练的模型，进行图像分类。以下是一个使用ResNet-18模型的示例：

import torch
import torchvision.models as models
import torchvision.transforms as transforms

# 加载预训练模型
model = models.resnet18(pretrained=True)

# 将模型置于评估模式
model.eval()

# 创建图像变换
transform = transforms.Compose([
    transforms.Resize(256),
    transforms.CenterCrop(224),
    transforms.ToTensor(),
    transforms.Normalize(
        mean=[0.485, 0.456, 0.406],
        std=[0.229, 0.224, 0.225]
    )
])

# 加载示例图像
img = Image.open("example.jpg")

# 进行图像变换
img = transform(img)

# 增加批量维度
img = img.unsqueeze(0)

# 进行预测
outputs = model(img)

# 获取预测结果
_, predicted = torch.max(outputs.data, 1)

print("Predicted class:", predicted.item())

在这个示例中，我们使用torchvision.models模块中提供的ResNet-18模型，并使用随机图像进行预测。使用transforms模块中的图像变换功能，将图像进行大小调整、裁剪、标准化等操作，然后将其输入模型中进行预测。最后，我们使用torch.max函数，获取最终的预测结果。

这就是两个示例，展示了如何使用PyTorch和torchvision来进行模型训练和图像分类。