آموزش پایتورچ – نصب

در این پست می توانید لیست دروس مربوط به آموزش پایتورچ را مشاهده کنید و قدم به قدم با ما همراه باشید تا این کتابخانه محبوب را یادگرفته و در پروژه های یادگیری ماشین خود استفاده نمایید.

نحوه نصب پایتورچ

اولین جلسه از آموزش را با یادگیری نحوه نصب پایتورچ آغاز می کنیم. برای نصب پایتورچ بهتر است ابتدا به سایت اصلی این کتابخانه با آدرس PyTorch.org رفته و بر روی Get Started یا Install کلیک نمایید. با اینکار وارد صفحه ای خواهید شد که به شما در نصب پایتورچ در سیستم عامل های مختلف و مشخصات متفاوت کمک می کند. کمی که به سمت پایین صفحه پیمایش نمایید با بخشی شبیه به تصویر زیر مواجه خواهید شد که در ادامه بخش های آن را توضیح خواهم داد.

PyTorch Build: نسخه پایتورچی که مایل به نصب آن هستید را می توانید از این بخش انتخاب نمایید.
Your OS: سیستم عاملتان را از این قسمت باید انتخاب نمایید.
Package: نحوه نصب را از این قسمت می توانید انتخاب نمایید. Conda برای کاربرانی که از آناکندا برای کدنویسی استفاده می کنند مورد استفاده قرار می گیرد. اگر مستقیما میخواهید با استفاده از دستور pip install پایتورچ را نصب کنید از Pip استفاده کنید.
Language: زبان برنامه نویسی که انتخاب ما پایتون است.
Computer Platform: اگر کارت گرافیکی که سیستم کودا شرکت انویدیا را پشتیبانی می کند داشته باشید می توانید ورژن کودا را انتخاب کرده در غیر این صورت CPU را انتخاب نمایید. (کاربرانی که از سیستم عامل مک استفاده می کنند، هنوز قابلیت استفاده از کودا را ندارند.)

و در آخر کدی را که در قسمت Run this Command نمایش داده می شود را کپی و در ترمینال خود اجرا نمایید و صبر کنید تا نصب تکمیل گردد. اگر مشکلی در اتصال یا نصب به وجود آمد بهتر است از راهی برای دورزدن تحریم استفاده نمایید، چون ایراد کار از تحریم هایی است که برای کاربران ایرانی وضع شده است!

تست برای اطمینان از انجام صحیح نصب

پس از اینکه نصب شما انجام شده، برای اینکه مطمئن شویم عملیات به درستی انجام شده است، کدهای زیر را در محیط کدنویسی خود تایپ و اجرا نمایید. می توانید برای کدنویسی از VSCode، Jupyter notebook و یا سرویس آنلاین گوگل کولب استفاده نمایید:

import torch
x = torch.rand(3)
print(x)

و در آخر برای اطمینان از اینکه کودا در سیستم مورد استفاده ما در دسترس هست یا خیر از کد زیر استفاده کنید:

torch.cuda.is_available()