使用清华源安装PyTorch
PyTorch是一个用于机器学习和深度学习的开源框架。它提供了丰富的工具和库，方便开发者构建和训练神经网络模型。在安装PyTorch时，我们可以使用清华源来提高下载速度和稳定性。本文将介绍如何使用清华源安装PyTorch，并提供相应的代码示例。
清华源简介
清华源是一个由清华大学提供的开源软件镜像站点。它提供了丰富的开源软件和库的镜像，方便用户快速下载和安装。在国内使用清华源可以提高下载速度和稳定性，特别是对于一些国外镜像站点的软件包。
使用pip安装PyTorch
pip是Python的包管理工具，用于下载、安装和管理Python包。在安装PyTorch之前，我们需要先安装pip。可以通过以下命令检查是否已安装pip：
pip --version
如果已安装pip，则会显示pip的版本信息。如果没有安装，请使用以下命令安装pip：
python -m ensurepip --default-pip
安装完成后，可以使用以下命令来安装PyTorch：
pip install -i pytorch
在上述命令中，我们使用了-i参数来指定了清华源的地址。pytorch是我们要安装的包名。
示例代码
下面是一个简单的示例代码，展示了如何使用PyTorch进行数字图像分类的训练和测试：
import torch
import torch.nn as nn
import torch.optim as optim
import torchvision
import torchvision.transforms as transforms
# 定义网络模型
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(3, 6, 5)
self.pool = nn.MaxPool2d(2, 2)
self.conv2 = nn.Conv2d(6, 16, 5)
self.fc1 = nn.Linear(16 * 5 * 5, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)
def forward(self, x):
x = self.pool(F.relu(self.conv1(x)))
x = self.pool(F.relu(self.conv2(x)))
x = x.view(-1, 16 * 5 * 5)
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
# 加载数据集
transform = transforms.Compose(
[transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
shuffle=True, num_workers=2)
testset = torchvision.datasets.CIFAR10(root='./data', train=False,
download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4,
shuffle=False, num_workers=2)
classes = ('plane', 'car', 'bird', 'cat',
'deer', 'dog', 'frog', 'horse', 'ship', 'truck')
# 训练模型
net = Net()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
for epoch in range(2): # 多次循环数据集
running_loss = 0.0
for i, data in enumerate(trainloader, 0):
inputs, labels = data
optimizer.zero_grad()
outputs = net(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
running_loss += loss.item()
if i % 2000 == 1999:
print('[%d, %5d] loss: %.3f' %
(epoch + 1, i + 1, running_loss / 2000))
running_loss = 0.0
print('Finished Training')
# 测试模型
correct = 0
total = 0
with torch.no_grad():
for data in testloader:
images, labels = data
outputs = net(images)
_, predicted = torch
