当前位置：首页 > news >正文

PyTorch 2.5新手教程：镜像快速部署+基础操作详解

news 2026/3/26 22:06:29

PyTorch 2.5新手教程：镜像快速部署+基础操作详解

1. 为什么选择PyTorch 2.5镜像？

PyTorch作为当前最流行的深度学习框架之一，其2.5版本带来了诸多性能优化和新特性。但对于新手来说，从零开始配置PyTorch环境可能会遇到各种依赖问题，特别是GPU加速所需的CUDA环境配置更是让很多人头疼。

这就是PyTorch 2.5镜像的价值所在——它已经预装了PyTorch 2.5、CUDA工具包和常用依赖库，真正做到开箱即用。你不再需要：

手动安装CUDA和cuDNN
解决各种Python包版本冲突
担心GPU驱动兼容性问题

2. 快速部署PyTorch 2.5镜像

2.1 准备工作

在开始前，请确保你的系统满足以下要求：

操作系统：Ubuntu 18.04/20.04/22.04（推荐）
显卡：NVIDIA显卡（支持CUDA）
驱动：已安装最新NVIDIA驱动
Docker：已安装Docker引擎

2.2 拉取镜像

打开终端，执行以下命令拉取PyTorch 2.5镜像：

docker pull csdnmirrors/pytorch:2.5-cuda11.8

这个镜像包含了：

PyTorch 2.5
CUDA 11.8
cuDNN 8.6
Python 3.9
常用科学计算库（NumPy、Pandas等）

2.3 启动容器

使用以下命令启动容器：

docker run -it --gpus all -p 8888:8888 -v ~/pytorch_work:/workspace csdnmirrors/pytorch:2.5-cuda11.8

参数说明：

--gpus all：启用所有GPU
-p 8888:8888：映射Jupyter Notebook端口
-v ~/pytorch_work:/workspace：挂载本地目录到容器

3. 两种开发方式详解

3.1 使用Jupyter Notebook

容器启动后，你会看到类似下面的输出：

[I 2023-08-15 10:00:00.000 LabApp] Jupyter Notebook 6.5.2 is running at: [I 2023-08-15 10:00:00.000 LabApp] http://localhost:8888/?token=your_token

复制这个URL到浏览器即可访问Jupyter Notebook。

3.1.1 创建第一个Notebook

点击右上角"New" → "Python 3"
在第一个单元格输入以下代码测试PyTorch：

import torch print(f"PyTorch版本: {torch.__version__}") print(f"CUDA是否可用: {torch.cuda.is_available()}") print(f"当前GPU: {torch.cuda.get_device_name(0)}")

按Shift+Enter运行，你应该看到类似输出：

PyTorch版本: 2.5.0 CUDA是否可用: True 当前GPU: NVIDIA GeForce RTX 3090

3.1.2 常用快捷键

Shift+Enter：运行当前单元格
Esc+M：将单元格转为Markdown
Esc+Y：将单元格转为代码
A/B：在上/下方插入单元格
D+D：删除单元格

3.2 使用SSH连接开发

如果你更喜欢命令行开发，可以通过SSH连接到容器：

首先获取容器ID：

docker ps

进入容器：

docker exec -it <容器ID> /bin/bash

现在你可以在容器内直接运行Python代码了

4. PyTorch基础操作实战

4.1 张量(Tensor)基础

张量是PyTorch的核心数据结构，类似于NumPy数组，但支持GPU加速。

import torch # 创建张量 x = torch.tensor([1, 2, 3]) # 从列表创建 y = torch.rand(2, 3) # 随机2x3矩阵 z = torch.zeros(5) # 全零向量 # 张量运算 a = torch.tensor([1, 2, 3]) b = torch.tensor([4, 5, 6]) print(a + b) # 逐元素相加 print(a * b) # 逐元素相乘 print(torch.dot(a, b)) # 点积 # GPU加速 if torch.cuda.is_available(): a_cuda = a.cuda() # 将张量移动到GPU b_cuda = b.cuda() print(a_cuda + b_cuda)

4.2 自动微分(Autograd)

PyTorch的自动微分功能是训练神经网络的核心。

# 需要计算梯度的张量 x = torch.tensor(2.0, requires_grad=True) # 定义一个函数 y = x**3 + 2*x + 1 # 计算梯度 y.backward() print(f"在x={x.item()}处的导数是: {x.grad.item()}")

4.3 简单神经网络示例

让我们构建一个简单的全连接网络：

import torch.nn as nn import torch.nn.functional as F class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.fc1 = nn.Linear(784, 128) # 输入层到隐藏层 self.fc2 = nn.Linear(128, 10) # 隐藏层到输出层 def forward(self, x): x = x.view(-1, 784) # 展平输入 x = F.relu(self.fc1(x)) x = self.fc2(x) return F.log_softmax(x, dim=1) # 实例化网络 model = Net() print(model) # 模拟输入 input = torch.randn(1, 28, 28) output = model(input) print(f"输出形状: {output.shape}")