智能制造系统设计 课件5.4 PyTorch

PyTorch课程目录5.4.1Python与PyTorch5.4.2PyTorch的安装与环境配置5.4.3PyTorch平台上算法创新实例5.4.4PyTorch与智能制造的关系1.Python是一种高级的、通用的编程语言，具有简洁的语法和清晰的代码结构。2.Python具有许多特性，包括动态类型、自动内存管理、面向对象编程（OOP）、函数式编程、以及大量的标准库和第三方库支持。这些特性使得Python在多个领域得到广泛应用。3.Python具有广泛的社区支持，开发人员可以方便地获取各种文档、教程和示例代码。5.4.1Python与PyTorch5.4.1Python与PyTorchPython语言和C语言对比：1行4行5.4.1Python与PyTorch/5.4.2PyTorch的安装与环境配置5.4.2PyTorch的安装与环境配置/5.4.2PyTorch的安装与环境配置下载Anaconda，其中包含了大量的package(如果把函数比作为工具，那么package就是工具包)。5.4.2PyTorch的安装与环境配置5.4.2PyTorch的安装与环境配置5.4.2PyTorch的安装与环境配置https:5.4.2PyTorch的安装与环境配置https:5.4.2PyTorch的安装与环境配置记住安装路径，其他安装选项默认即可5.4.2PyTorch的安装与环境配置跳过VSCode可选可不选，看心情5.4.2PyTorch的安装与环境配置检验是否安装成功5.4.2PyTorch的安装与环境配置如果在打开的窗口中显示（base），则安装成功5.4.2PyTorch的安装与环境配置在正确的安装PyTorch之前，需要学会怎么管理环境。在今后的项目过程中，经常会遇到不同的项目、不同的代码，所需要的环境是不一样的。创建环境：condacreate–nYOLOpython=3.6激活环境：condaactivateYOLO0.41.0baseYOLO5.4.2PyTorch的安装与环境配置/进入PyTorch首页，下拉选择稳定版，推荐使用1.1以上，1.1版本以后，PyTorch加入了TensorBoard，可以让我们看到训练过程中的一些数据,包括一些损失函数的一些变化，对训练很有帮助。安装方式，两种都可以5.4.2PyTorch的安装与环境配置深度学习离不开显卡，虽然没有显卡对学习PyTorch并没有影响，但使用显卡会大大增加模型的训练速度。/hardware/technology/cuda/supported-gnu5.4.2PyTorch的安装与环境配置再次打开命令行，输入nvidia–smi查看显卡的驱动版本。注意：9.2版本只支持396.26以上的版本5.4.2PyTorch的安装与环境配置/进入PyTorch首页，下拉选择稳定版，推荐使用1.1以上，1.1版本以后，PyTorch加入了TensorBoard,可以让我们看到训练过程中的一些数据,包括一些损失函数的一些变化，对训练很有帮助。安装方式，两种都可以5.4.2PyTorch的安装与环境配置复制粘贴指令（需要首先进入要安装的虚拟环境）5.4.2PyTorch的安装与环境配置PyTorch的安装复制粘贴指令5.4.2PyTorch的安装与环境配置安装完成,输入piplist查看工具包中的内容可以看到torch版本为1.3.0，已经安装成功5.4.2PyTorch的安装与环境配置进入安装好的虚拟环境后,再次输入python查看是否安装成功依次输入:importtorchtorch.cuda.is_available()、如果返回的是True则代表安装成功5.4.2PyTorch的安装与环境配置在选择Python编辑器的时候，我们选用PyCharm。/pycharm/5.4.2PyTorch的安装与环境配置Pycharm分为专业版和社区版，社区版已经完全够我们日常使用了，并且是免费的。5.4.2PyTorch的安装与环境配置用PyCharm打开所有的.py格式文件5.4.2PyTorch的安装与环境配置打开PyCharm，选择不导入设置5.4.2PyTorch的安装与环境配置打开PyCharm并创建新的项目5.4.2PyTorch的安装与环境配置因为我们已经安装过环境了，因此选择已存在的环境，并在弹出的对话框中选择路径，这里的路径是我们之间安装Anacongda时让大家记住的地址5.4.2PyTorch的安装与环境配置5.4.2PyTorch的安装与环境配置检测PyCharm是否成功导入了cuda的环境，点击PythonConsole（控制台）5.4.2PyTorch的安装与环境配置importtorchtorch.cuda.is_available()在对话框中输入以下两行，如果返回True则代表已经配置成功5.4.2PyTorch的安装与环境配置5.4.3PyTorch平台上算法创新实例智能养殖借助先进的技术手段对养殖过程进行精细化管理，以提升生产效率和动物福利。我们将其可以分为训练集、验证集和测试集三部分，对其进行图像增强后进行标注5.4.3PyTorch平台上算法创新实例模型训练后可以在yolov5文件夹下的runs文件夹中找到本次运行的数据，其中主要包括训练的权重文件、类别标签数量、损失函数、mAP以及超参数设置记录。5.4.3PyTorch平台上算法创新实例通过增加模型中网络的层数或引入注意力模块虽然可以提高模型的检测精度，但却会增加模型的复杂度。优化学习率可以避免模型复杂度发生变化，但在调用训练速度较快的SGD优化器时容易陷入局部最优解的情况。为解决上述问题我们可以改进学习率衰减策略，将其命名为变周期衰减余弦退火算法，公式如下：5.4.4PyTorch与智能制造的关系数据处理与分析在生产过程中产生的原始数据往往需要经过清洗和预处理才能用于后续的分析和建模。PyTorch提供了丰富的数据预处理功能，可以帮助我们轻松地对数据进行缺失值填充、异常值检测和处理、数据平滑等操作。模型构建与优化

PyTorch提供了丰富的优化算法，如随机梯度下降法（StochasticGradientDescent，SGD）等，以及多种学习率调整策略，使得模型训练更加高效和准确。在模型评估方面，Py