Pytorch入门之配置云服务器环境

发布时间:2022-04-11 10:06:54 人气:43 作者:多测师

  Pytorch简介

  Pytorch底层是Torch框架,Torch框架是一个科学计算框架,拥有一个与Numpy类似的张量操作库。非常灵活,但是它的语言是Lua,比较小众,因此没有广泛流行。

  后来开发团队在Torch的基础上包装了一层Python的Api,使得我们可以通过Python来进行调用。它是由Facebook的人工智能小组开发维护的,目前在业内也非常流行,尤其是学术界,几乎清一色的Pytorch。它拥有两个最大的优点,一个是动态网络,像是TensorFlow等框架定义出来的神经网络是静态的,一旦写死不能轻易改变。但是Pytorch我们可以零延迟地改变任何神经网络。第二个有点是具有强大的GPU加速计算的工具,Pytorch的GPU加速非常好用。

  另外Pytorch的语法更加简洁规范,更加Pythonic,学习曲线也更平稳一些。写出来的代码更加容易理解,更适合初学者。

  当然由于诞生的时间还短,并且在工业界的普及度还不如TensorFlow,所以它也有一些短板,比如一些底层的文档不够完善,一些功能欠缺等等。在我个人的学习和使用当中,我的体验非常好,因此如果你没有学过深度学习的框架的话,推荐使用它作为你的第一门框架。

  云服务器既然是深度学习的框架,那么最好是能够拥有GPU环境。但是对于我们大多数人而言,GPU环境并不是一个容易的事情。比如我是Mac党,本身的机器就没有N卡,外接也不方便。当然没有GPU用CPU硬肝也是可以的,不过发热很严重,对电脑也有损伤。所以,最好的办法就是租借网上的GPU云服务器或者是云服务。

  查看原文

  因为我是特邀用户,所以我拿到了内部优惠的大师码,如果要购买其他GPU云服务器的话,可以在付款的时候输入我的大师码2323,可以再享受9折优惠。

  当然你也可以购买装好环境的Notebook,或者是按照时常购买。Notebook好处是预装了各种环境,上手可用,但是缺点是不支持定制化,一些操作不太方便。毕竟有了云服务器可以自己搭建Notebook,但是Notebook并不支持服务器的功能。

  如果你想要使用其他云服务器平台,可以查看我之前的文章

  想要学深度学习但是没有GPU?我帮你找了一些不错的平台

  环境配置为了防止一些小白租借了机器不会用,接下来提供一下配置环境的详细教程(基于滴滴云)。如果你用的别家的服务器,由于环境不一定完全相同,所以可能并不一定适用,只能当做参考。

  总之我们整个流程是:安装Python3,安装jupyter,配置jupyter远程访问,安装Pytorch。

  这些是明面上的流程,如果机器环境不健全,还会有一些隐藏流程。比如说普通的Linux环境需要配置apt-get,还需要下载git,wget等常用工具。如果没有cuda驱动的话,还需要自己安装cuda配置。如果其中的步骤出现了问题,还需要分析问题的原因解决问题。所以说配置环境说起来简单,但是实际操作的时候问题并不少。

  安装Python3

  yum install python36

  安装 jupyter notebook

  sudo pip3 install ipython jupyter notebook lab

  设置jupyter的密码

  jupyter notebook password

  生成jupyter notebook的配置,这个配置默认不存在,需要我们通过这个命令来生成。

  jupyter notebook --generate-config

  运行之后,会返回配置文件所在的路径:

  我们用vim打开,修改其中的几行:

  c.NotebookApp.ip='0.0.0.0'

  c.NotebookApp.open_browser = False

  c.NotebookApp.port =8888 # 可以自己指定

Pytorch入门之配置云服务器环境

  我们需要将本地的端口和远程进行绑定,这样我们就可以在本地打开远程的jupyter了。这一行代码当中我们将本地的8899绑定了远程的8888端口。这里的8888端口就是上面配置当中的远程的jupyter端口。

  ssh dc2-user@116.85.10.225 -L 127.0.0.1:8899:127.0.0.1:8888

  如果你喜欢的话,还可以安装一下jupyter lab

  sudo pip3 install jupyterlab

  使用方法和notebook类似,在远程执行命令开启jupyter

  jupyter lab --allow-root

  当我们用完了云服务器之后,要记得删除机器。但由于平台机器数量有限,根据当前平台的设置,关机之后依然会为用户保留资源,但是前提是需要付费。如果你是按时租的服务器显然不能接受自己没在使用还需要付费。针对这个问题,我们可以通过快照来解决。我们在关机之前先创建快照:

  然后删除云服务器,下次重新创建服务器的时候选择从快照创建。这样下次创建的机器还可以保留当前的配置和数据,而且也不需要扣费了。如果你嫌麻烦的话,还可以加我的微信联系我,我帮你找到工作人员加入关机免扣费的白名单。

  我们用pip安装一下Pytorch和一些其他需要用到的包。安装好了,之后,我们通过torch.cuda.is_avaiable()查看一下cuda的情况,如果输出是True,那说明已经安装好了。

  tensorPytorch当中很重要的一个概念就是tensor,它直译过来是张量,TensorFlow当中的tensor也是这个意思。我们可以认为tensor是一个高维的数组。当它是0维的时候就是一个数,一个标量。当它是一维的时候就是一个向量,二维的时候是一个矩阵,多维的时候是高维的数组。它和Numpy当中的数组类似,不过Tensor可以使用GPU进行加速。

  我们通过torch当中的接口来初始化tensor,和Numpy当中的数组类似,它支持好几种初始化的方式。

  empty函数创建一个指定大小的未初始化的tensor,当中的元素内容是不可保证的。

  rand创建一个随机初始化的数组:

  ones和zeros创建全是0或者全是1的数组:

  我们可以传入类型指定元素的类型

  我们也可以通过现成的数组创建tensor:

  这些创建函数都有对应的like方法,可以传入一个已有的tensor,创建出一个和它一样大小的新的tensor来。

  这里只是列举了常用的几种,官方的api当中还有其他的几种创建tensor的方式:

  除此之外,tensor还支持从numpy的数组当中创建,我们可以利用from_numpy函数来实现:

  同理,我们也可以通过numpy函数,从一个tensor得到numpy的数组:

  还可以通过tolist方法将tensor转化成Python的数组:

  函数功能

  Tensor(*sizes)基础构造函数

  tensor(data,)类似np.array的构造函数

  ones(*sizes)全1Tensor

  zeros(*sizes)全0Tensor

  eye(*sizes)对角线为1,其他为0

  arange(s,e,step)从s到e,步长为step

  linspace(s,e,steps)从s到e,均匀切分成steps份

  rand/randn(*sizes)均匀/标准分布

  normal(mean,std)/uniform(from,to)正态分布/均匀分布

  randperm(m)随机排列

  我们在创建tensor的时候不仅可以指定它们的类型,还可以指定它们存放的设备。比如是CPU还是GPU。当然前期我们暂时用不到这点,只需要记得即可。

  总结这是Pytorch的第一篇文章,我们简单了解了一下这个框架,以及它当中tensor这个数据结构。简单来说,我们可以用常用的Numpy去类比它。基本上Numpy当中有的功能它都有,它还有一些自己特性Numpy没有的api。但不管怎么说,万变不离其宗,tensor的用处就是为了方便我们处理数据的。

  关于Pytorch中tensor的用法还有很多,实在是没有办法在一篇文章当中穷尽,所以这里只是简单介绍,具体的用法将会放在下一篇文章当中,让我们下周再见吧。

  以上内容为大家介绍了Pytorch入门之配置云服务器环境,希望对大家有所帮助,如果想要了解更多Python相关知识,请关注多测师。https://www.e70w.com/xwzx/


返回列表
在线客服
联系方式

热线电话

17727591462

上班时间

周一到周五

二维码
线