正文

CentOS 7.6深度学习环境搭建全攻略：轻松入门，从基础到实战

/0 浏览量
1016

引言

随着人工智能技术的飞速发展，深度学习成为了当前研究的热点。CentOS 7.6作为一款稳定的Linux发行版，非常适合用于搭建深度学习环境。本文将为您详细讲解如何在CentOS 7.6上搭建深度学习环境，从基础配置到实战应用，助您轻松入门。

第一节：系统环境准备

1.1 系统安装

首先，确保您的CentOS 7.6系统已经安装完成。在安装过程中，请选择合适的安装类型和分区方案。

1.2 系统更新

安装完成后，使用以下命令更新系统：

sudo yum update -y

1.3 系统优化

为了提高系统性能，建议进行以下优化：

  • 关闭防火墙：
sudo systemctl stop firewalld
sudo systemctl disable firewalld
  • 关闭SELinux：
sudo setenforce 0
  • 关闭IPv6：
sudo vi /etc/sysctl.conf

在文件中添加以下内容：

net.ipv6.conf.all.disable_ipv6 = 1
net.ipv6.conf.default.disable_ipv6 = 1
net.ipv6.conf.lo.disable_ipv6 = 1

保存文件后，使用以下命令使配置生效：

sudo sysctl -p

第二节：深度学习框架安装

2.1 安装CUDA

CUDA是NVIDIA推出的并行计算平台和编程模型，用于加速深度学习框架的计算。以下是安装CUDA的步骤：

  1. 下载CUDA Toolkit：访问NVIDIA官网下载适合CentOS 7.6的CUDA Toolkit版本。

  2. 安装CUDA Toolkit：

sudo yum install -y cuda-repo-rhel7-10-0-local7-x86_64.repo
sudo yum install -y cuda-10-0
  1. 配置CUDA环境变量：
echo 'export PATH=/usr/local/cuda/bin:$PATH' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrc

2.2 安装cuDNN

cuDNN是NVIDIA推出的深度神经网络库，用于加速深度学习框架的计算。以下是安装cuDNN的步骤：

  1. 下载cuDNN：访问NVIDIA官网下载适合CUDA版本的cuDNN。

  2. 解压cuDNN文件，将文件复制到相应的目录：

sudo cp -P cuda/lib64/libcudnn* /usr/local/cuda/lib64/
sudo chmod a+r /usr/local/cuda/lib64/libcudnn*
sudo cp -P cuda/include/cudnn.h /usr/local/cuda/include/
  1. 配置cuDNN环境变量：
echo 'export CUDNN_HOME=/usr/local/cuda' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=$CUDNN_HOME/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrc

2.3 安装深度学习框架

以下是安装常见深度学习框架的步骤：

  1. 安装TensorFlow：
pip install tensorflow-gpu
  1. 安装PyTorch：
pip install torch torchvision torchaudio
  1. 安装Keras：
pip install keras

第三节：实战案例

3.1 使用TensorFlow进行图像分类

以下是一个使用TensorFlow进行图像分类的简单案例：

import tensorflow as tf
from tensorflow.keras import datasets, layers, models

# 加载数据集
(train_images, train_labels), (test_images, test_labels) = datasets.cifar10.load_data()

# 数据预处理
train_images = train_images.astype('float32') / 255
test_images = test_images.astype('float32') / 255

# 构建模型
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))

# 添加全连接层
model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10))

# 编译模型
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

# 训练模型
model.fit(train_images, train_labels, epochs=10, validation_data=(test_images, test_labels))

# 评估模型
test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)
print('\nTest accuracy:', test_acc)

3.2 使用PyTorch进行手写数字识别

以下是一个使用PyTorch进行手写数字识别的简单案例：

import torch
import torchvision
import torchvision.transforms as transforms
from torch.utils.data import DataLoader
from torch import nn, optim
import torch.nn.functional as F

# 加载数据集
transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])
trainset = torchvision.datasets.MNIST(root='./data', train=True, download=True, transform=transform)
trainloader = DataLoader(trainset, batch_size=64, shuffle=True)

# 定义模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 20, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(20, 50, 5)
        self.fc1 = nn.Linear(4*4*50, 500)
        self.fc2 = nn.Linear(500, 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, 4*4*50)
        x = F.relu(self.fc1(x))
        x = self.fc2(x)
        return x

net = Net()

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

# 训练模型
for epoch in range(2):  # loop over the dataset multiple times
    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 every 2000 mini-batches
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 2000))
            running_loss = 0.0

print('Finished Training')

# 保存模型
torch.save(net.state_dict(), 'mnist_cnn.pth')

# 加载模型
net.load_state_dict(torch.load('mnist_cnn.pth'))

# 测试模型
correct = 0
total = 0
with torch.no_grad():
    for data in testloader:
        images, labels = data
        outputs = net(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print('Accuracy of the network on the 10000 test images: %d %%' % (
    100 * correct / total))

结语

通过本文的讲解，相信您已经掌握了在CentOS 7.6上搭建深度学习环境的方法。在实际应用中，您可以根据自己的需求选择合适的深度学习框架和模型。祝您在深度学习领域取得丰硕的成果！

-- 展开阅读全文 --