PyTorch 实践指南

本文是文章PyTorch实践指南配套代码，请参照知乎专栏原文或者对应的markdown文件更好的了解而文件组织和代码细节。

本部分内容属于 《深度学习框架PyTorch：入门与实践》一部分, 关于该书的源码，以及更多案例，请查看github

数据下载

• 从kaggle比赛官网 下载所需的数据
• 解压并把训练集和测试集分别放在一个文件夹中

安装

• PyTorch : 可按照PyTorch官网的指南，根据自己的平台安装指定的版本
• 安装指定依赖：

pip install -r requirements.txt

训练

必须首先启动visdom：

python -m visdom.server

然后使用如下命令启动训练：

# 在gpu0上训练,并把可视化结果保存在visdom 的classifier env上
python main.py train --data-root=./data/train --use-gpu=True --env=classifier

详细的使用命令 可使用

python main.py help

测试

python main.py --data-root=./data/test --use-gpu=False --batch-size=256

PyTorch 实践指南快速上手

本指南基于《深度学习框架 PyTorch：入门与实践》配套代码，帮助开发者快速搭建环境并运行猫狗分类任务。

环境准备

• 操作系统：支持 Linux、macOS 或 Windows
• Python 版本：建议 Python 3.6+
• 核心依赖：
  • PyTorch（需根据平台安装对应版本）
  • Visdom（用于训练过程可视化）
  • 其他依赖库（见 requirements.txt）

💡 国内加速建议：安装 PyTorch 时推荐使用清华或中科大镜像源，例如：

pip install torch torchvision -i https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

1. 安装 PyTorch
   访问 PyTorch 官网 选择适合你环境的安装命令，或使用国内镜像加速安装。

2. 安装项目依赖
   克隆或下载本项目后，在根目录执行：

   pip install -r requirements.txt
   

   如需加速，可添加国内源：

   pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
   

3. 准备数据

   • 从 Kaggle 猫狗大赛页面 下载数据集
   • 解压后将训练集和测试集分别放入独立文件夹，例如：

     data/
       ├── train/
       └── test/
     

基本使用

启动可视化服务

训练前需先启动 Visdom 服务器：

python -m visdom.server

浏览器访问 http://localhost:8097 即可查看实时训练曲线。

开始训练

在 GPU 上启动训练，并将结果可视化到 classifier 环境：

python main.py train --data-root=./data/train --use-gpu=True --env=classifier

查看帮助

获取更多命令参数说明：

python main.py help

执行测试

对测试集进行推理（默认使用 CPU）：

python main.py --data-root=./data/test --use-gpu=False --batch-size=256