一、安装Python3
# 首先安装依赖包
yum -y groupinstall "Development tools"
yum -y install zlib-devel bzip2-devel openssl-devel ncurses-devel sqlite-devel readline-devel tk-devel gdbm-devel db4-devel libpcap-devel xz-devel libffi-devel
# 下载Python包
wget https://www.python.org/ftp/python/3.7.13/Python-3.7.13.tar.xz
# 解压及编译安装
mkdir /usr/local/python3
tar -xvJf Python-3.7.13.tar.xz
cd Python-3.7.13
./configure --prefix=/usr/local/python3
make && make install
# 创建软链接
ln -s /usr/local/python3/bin/python3 /usr/bin/python3
ln -s /usr/local/python3/bin/pip3 /usr/bin/pip3
二、部署Anaconda
Anaconda下载地址：https://www.anaconda.com/products/individual#Downloads
我们此处以Linux为例，部署在CentOS操作系统下，运行命令后，一路yes和Enter即可：
三、配置GPU环境
配置GPU主要是为了提升模型训练的速度，为了使深度学习框架支持GPU编程，需要安装CUDA和cuDNN。
3.1、CUDA安装
CUDA下载地址：https://developer.nvidia.com/cuda-downloads
即运行以上命令即可：
wget https://developer.download.nvidia.com/compute/cuda/11.6.2/local_installers/cuda-repo-rhel7-11-6-local-11.6.2_510.47.03-1.x86_64.rpm
sudo rpm -i cuda-repo-rhel7-11-6-local-11.6.2_510.47.03-1.x86_64.rpm
sudo yum clean all
sudo yum -y install nvidia-driver-latest-dkms cuda
sudo yum -y install cuda-drivers
3.2、cuDNN安装
cuDNN下载地址：https://developer.nvidia.com/cudnn
需要先注册，然后填调查表，最后才能下载安装
执行以下命令即可：
rpm -ivh cudnn-local-repo-rhel7-8.3.3.40-1.0-1.x86_64.rpm
update libraries list
ldconfig
ldconfig -p | grep cudnn
四、安装PyTorch
执行以下命令即可：
# -i 参数是为了加快下载速度，从而使用国内源
pip3 install torch -i https://pypi.tuna.tsinghua.edu.cn/simple/
pip3 install -U numpy -i https://pypi.tuna.tsinghua.edu.cn/simple/
五、PyTorch介绍
PyTorch是由Facebook开源的基于Python的机器学习库。Tensor是PyTorch的基础数据结构，是一个高维数组，可以跨设备存储。
创建Tensor：
import torch
# 张量可以理解为“向量”，即线性代数中的“矩阵”
# 生成整型张量，大小为(2,3)
torch.IntTensor(2,3)
# 生成浮点型张量，大小为(2,3)
torch.FloatTensor(2,3)
# 生成空张量，大小为(2,3)
torch.empty(2,3)
# 生成均匀分布的随机张量，大小为(2,3)
torch.rand(2,3)
# 生成标准正态分布的随机张量，大小为(2,3)
torch.randn(2,3)
# 1表示均值，0.02表示标准差 ,3代表生成的数据行数，2表示列数，requires_grad=True表示对导数开始记录可以忽略
torch.normal(1, 0.02, size=(3, 2), requires_grad=True)
# 生成大小为(2,3)的张量，全部值填充为7
torch.full((2,3),7)
# 生成大小为(2,3)的张量，全部值设置为1
torch.ones(2,3)
# 生成大小为(2,3)的张量，全部值设置为0
torch.zeros(2,3)
Tensor与Python数据结构的转换：
因为PyTorch的运算都以Tensor为单位进行，在运算时都需要将非Tensor的数据格式转化为Tensor。
import torch
import numpy as np
arr = np.array([1, 2, 3, 4, 5])
# 使用tensor接口转换，属于深拷贝
a = torch.tensor(arr)
# 使用as_tensor接口转换，属于浅拷贝，会复用原数据的内存空间，两者一方改变，则另一方跟着改变
b = torch.as_tensor(arr)
# 使用from_numpy接口转换，属于浅拷贝
c = torch.from_numpy(arr)
数据操作：
import torch
# “+”号方式
a = torch.tensor([1,2,3])
b = torch.tensor([4,5,6])
# 结果是：c = tensor([5, 7, 9])
c = a + b
# “add”方式
a = torch.tensor([1,2,3])
b = torch.tensor([4,5,6])
# 结果是：c = tensor([5, 7, 9])
c = torch.add(a, b)
# “_”下划线方式，不需要额外的临时空间
a = torch.tensor([1,2,3])
b = torch.tensor([4,5,6])
# 结果是：tensor([5, 7, 9])
a.add_(b)
# 改变张量形状
a = torch.rand(7,2)
# 改变形状，乘积要相等，不能随意改变，例如7*2=14，可以改成1*14，但不能改成4*5
b = a.view(4,5)
# 以下是查看
a.size()
b.size()
自助求导：
import torch
# 求导时必须加requires_grad=True
a = torch.ones(2, 2, requires_grad=True)
b = a + 2
c = b * b *3
# 结果是：d = tensor(27., grad_fn=<MeanBackward0>)
d = c.mean()
# backward会自动求取所有变量应对应的梯度
d.backward()
# 结果是：(4.5, 4.5, 4.5, 4.5)
a.grad