راهنمای کامل نصب و راه‌اندازی PyTorch روی CPU

PyTorch یک فریم‌ورک توسعه داده شده توسط Facebook AI Research برای یادگیری عمیق است که هم ابزارهای اشکال‌زدایی مبتدی پسند و هم سفارشی‌سازی پیشرفته برای کاربران حرفه‌ای ارائه می‌کند. محققان و متخصصان در شرکت‌هایی مانند Facebook و Tesla از آن استفاده می‌کنند. کاربردها شامل بینایی کامپیوتری، پردازش زبان طبیعی، رمزنگاری و غیره است.

در این آموزش، شما نسخه‌ای از PyTorch را نصب می‌کنید که فقط از CPU پشتیبانی می‌کند. این نصب برای کاربرانی است که کارت گرافیک Nvidia ندارند و می‌خواهند از PyTorch استفاده کنند. شما PyTorch را در یک محیط مجازی پایتون با virtualenv نصب می‌کنید تا هر پروژه نسخه مخصوص به خود را داشته باشد. پس از نصب، صحت عملکرد PyTorch را تأیید می‌کنید و از آن برای طبقه‌بندی تصاویر استفاده می‌کنید.

برای تکمیل این آموزش به یک محیط توسعه محلی برای Python 3 با حداقل 1 گیگابایت رم نیاز دارید.

ایجاد workspace و نصب وابستگی‌ها

1. 1. یک دایرکتوری جهت نگهداری تمام فایل‌های پروژه ایجاد کنید:

mkdir pytorch

1. 1. به دایرکتوری pytorch بروید:

cd pytorch

1. 1. یک محیط مجازی جدید ایجاد کنید:

python3 -m venv pytorch

1. 1. محیط را فعال کنید:

source pytorch/bin/activate

1. سپس PyTorch را نصب کنید.
   در macOS دستور زیر را وارد کنید:

   pip install torch torchvision

   در لینوکس و ویندوز:

   pip install torch torchvision

نکته: اگر می‌خواهید محیط مجازی خود را غیرفعال کنید، دستور زیر را وارد نمایید:

deactivate

برای فعال‌سازی مجدد، به دایرکتوری پروژه بروید و این دستور را وارد کنید:

source pytorch/bin/activate

تأیید نصب PyTorch

1. ترمینال را باز کرده و محیط مجازی را فعال کنید (در صورت لازم).
2. وارد محیط تعاملی پایتون شوید:

   python

3. دستور زیر را جهت وارد کردن PyTorch اجرا کنید:

   import torch

4. یک وکتور صفر ایجاد کنید:

   torch.Tensor([0., 0., 0.])

   خروجی مشابه زیر خواهید دید:

   tensor([0., 0., 0.])

5. برای خروج از محیط تعاملی، کلیدهای CTRL+D را فشار دهید.

ساخت یک Image Classifier پیش‌آموزش دیده

یک image classifier، تصویر را به ورودی می‌گیرد و یک کلاس پیش‌بینی (مانند Cat یا Dog) به عنوان خروجی می‌دهد. در این جا از classifierهای قبل آموزش داده‌شده (pretrained) استفاده می‌شود تا خروجی مناسب را فوراً دریافت کنید.

1. یک فایل JSON برای تبدیل خروجی شبکه عصبی به نام کلاس انسان‌خواندان دانلود کنید.
2. اسکریپت python زیر را دانلود کنید که تصویر را بارگذاری و توسط شبکه عصبی آموزش دیده شده دسته‌بندی می‌کند.
3. تصویر زیر از یک سگ را دانلود کنید:
4. دستور زیر را برای دانلود تصویر اجرا کنید:

   wget https://i.imgur.com/duDwOU8.jpg
   کلاسیفایر را اجرا کنید:

5. python3 step_2_pretrained.py --image duDwOU8.jpg

   خروجی مشابه زیر نمایش داده خواهد شد که نشان می‌دهد classifier شما کار می‌کند:

   Dog

اگر تمایل به آزمایش تصویر دیگری دارید، کافیست آرگومان اول دستور فوق را با مسیر تصویر دلخواه جایگزین کنید.

ابزارهای پیشنهادی برای کار با PyTorch

در این بخش، فریم‌ورک‌ها و کتابخانه‌های پیشنهادی برای شروع کار با PyTorch معرفی می‌شوند. همچنین ابزارهایی وجود دارند که مستقل از کتابخانه یادگیری عمیق هستند و در صنعت به طور گسترده استفاده می‌شوند.

• برای deploy مدل PyTorch به production، گزینه‌های متعددی در دسترس است.
• مخازن Github کاربردی PyTorch نیز جهت بازتولید یا توسعه state-of-the-artها وجود دارند.

کتابخانه‌های بیشتر را می‌توانید در اکوسیستم PyTorch مشاهده کنید.

جمع‌بندی

شما موفق شدید PyTorch را در یک محیط مجازی پایتون نصب کنید و صحت عملکرد آن را بررسی نمایید. اکنون ابزارهای لازم جهت شروع یادگیری ماشین را دارید.

از همراهی شما با پارمین کلود، سپاسگزاریم.