PyTorch两种安装方法

PyTorch 是一个基于 Python 的科学计算库，是一个使用GPU和CPU优化的深度学习开源工具，广泛用于自然语言处理、计算机视觉、图像处理和强化学习等领域。想要使用 PyTorch，首先需要在计算机上进行安装。以下是两种 PyTorch 安装方法：

方法一：使用 pip 安装

1. 前往 PyTorch 官网 ，根据自己的需求选择对应的 PyTorch 版本进行下载。
2. 打开终端，切换到你的 Python 环境，运行以下命令：

pip install torch==1.8.1+cpu torchvision==0.9.1+cpu torchaudio==0.8.1 -f https://download.pytorch.org/whl/cpu/torch_stable.html

此命令将会安装 PyTorch CPU 版本，如果想要使用 GPU 版本，将 cpu 改成 cu102（PyTorch 版本会随之改变，根据自己的需求进行选择）。

1. 等待安装成功，然后就可以开始使用 PyTorch 了。

方法二：使用 Anaconda 安装

1. 安装 Anaconda 并配置环境变量。
2. 打开 Anaconda Prompt 或者终端，创建一个新的环境（可以根据自己的需求自定义命名）：

conda create -n myenv python=3.8

1. 激活新的环境：

conda activate myenv

1. 安装 PyTorch：

conda install pytorch torchvision torchaudio cpuonly -c pytorch

此命令将会安装 PyTorch CPU 版本，如果想要使用 GPU 版本，将 cpuonly 改成 cudatoolkit=<version>（ 是 CUDA 版本号，根据自己的需求进行选择）。

1. 等待安装成功，然后就可以开始使用 PyTorch 了。

以下是两条 PyTorch 使用示例：

1. 使用 PyTorch 训练一个简单的神经网络，并显示训练过程：

import torch
import torch.nn as nn
import torch.optim as optim

# 定义一个简单的神经网络
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(10, 5)
        self.fc2 = nn.Linear(5, 2)

    def forward(self, x):
        x = self.fc1(x)
        x = torch.sigmoid(x)
        x = self.fc2(x)
        return x

# 准备数据
x = torch.randn(4, 10)
y = torch.tensor([[0, 1], [1, 0], [0, 1], [0, 1]], dtype=torch.float)

# 定义模型、损失函数和优化器
net = Net()
criterion = nn.MSELoss()
optimizer = optim.SGD(net.parameters(), lr=0.1)

# 训练模型
for epoch in range(100):
    optimizer.zero_grad()
    output = net(x)
    loss = criterion(output, y)
    loss.backward()
    optimizer.step()
    print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, 100, loss.item()))

1. 使用 PyTorch 加载一个已经训练好的模型（注意需要先安装 scikit-learn 和 joblib 库）：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, classification_report
import joblib
import torch

# 加载iris数据集
iris = load_iris()
X = iris.data
y = iris.target

# 将数据划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练LogisticRegression模型
lr = LogisticRegression()
lr.fit(X_train, y_train)

# 保存训练好的模型
joblib.dump(lr, 'lr.pkl')

# 加载模型并预测
lr = joblib.load('lr.pkl')
y_pred = lr.predict(X_test)

# 将预测结果转成Tensor类型
y_pred = torch.tensor(y_pred)

# 计算准确率和分类报告
acc = accuracy_score(y_test, y_pred)
report = classification_report(y_test, y_pred)
print('Accuracy:', acc)
print('Classification Report:\n', report)

以上是 PyTorch 的两种安装方法以及两条使用示例。根据自己的需求进行选择和尝试。