没有独立显卡没有NVIDIA 如何安装pytorch
在当今的机器学习和深度学习时代，PyTorch无疑是最受欢迎的开源框架之一。它灵活、易用，支持动态计算图，并能轻松地与其他工具集成。然而，许多人在安装PyTorch时会遇到一个问题：他们的计算机并没有配备NVIDIA显卡。这可能导致他们无法使用CUDA，PyTorch的一个关键特性，因为CUDA使得在GPU上进行计算成为可能。
在本文中，我们将探讨在没有独立显卡和NVIDIA的支持下，如何成功地安装和配置PyTorch。我们会先介绍PyTorch及其在机器学习和深度学习领域的重要性，然后讨论安装的预备工作。接着，我们将详细介绍如何在没有独立显卡的情况下安装PyTorch，最后，我们将通过一个实例来展示如何在这样的环境下进行模型训练。
PyTorch是一个开源的机器学习库，它支持动态计算图，类似于TensorFlow和其他类似的框架。然而，与TensorFlow等框架不同的是，PyTorch支持直接在CPU上进行计算，因此，即使没有GPU，我们也能使用PyTorch进行许多深度学习和机器学习任务。
在没有独立显卡的情况下安装PyTorch，首先需要确保你的系统已经安装了pip包管理器以及setuptools。然后，你可以直接使用pip命令来安装PyTorch。为了在CPU上进行计算，我们需要安装一个称为“cpuonly”的PyTorch版本。
首先，你可以通过以下命令来下载并安装PyTorch的预编译wheel文件：

pip install torch torchvision torchaudio --pre

接着，如果你想在Python shell中直接访问PyTorch，还需要设置环境变量。你可以在你的home目录下创建一个.bashrc文件，并在其中添加以下内容：

export PYTHONPATH="$PYTHONPATH:/path/to/torch"

在这里，“/path/to/torch”应该是你torch安装的路径。你可以通过以下命令找到这个路径：

echo `torch-sysinfo`

然后，保存并关闭.bashrc文件，使环境变量的设置生效：

source ~/.bashrc

现在，你已经在没有独立显卡的情况下成功安装了PyTorch。接下来，我们可以尝试进行一个简单的模型训练。
为了进行模型训练，我们需要先准备好数据集。这里，我们将使用PyTorch内置的MNIST数据集。在开始训练之前，我们还需要定义一个模型。这里，我们将使用一个简单的卷积神经网络（CNN）。最后，我们将使用一个损失函数和一个优化器来训练我们的模型。
以下是一个简单的模型训练示例：
```python
import torch
import torchvision.transforms as transforms
import torchvision.datasets as datasets
import torch.nn as nn
import torch.optim as optim

定义数据预处理操作

transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])

加载数据集

trainset = datasets.MNIST(root=’./data’, train=True, download=True, transform=transform)
trainloader = torch.utils.data.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, 10, kernel_size=5)
self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
self.fc1 = nn.Linear(320, 50)
self.fc2 = nn.Linear(50, 10)
def forward(self, x):
x = F.relu(F.max_pool2d(self.conv1(x), 2))
x = F.relu(F.max_pool2d(self.conv2(x), 2))
x = x.view(-1, 320)
x = F.relu(self.fc1(x))
x = self.fc2(x)
return F.log_softmax(x, dim=1)

定义损失函数和优化器

criterion = nn.NLLLoss()
optimizer = optim.SGD(Net().parameters(), lr=0.01, momentum=0.9)

训练模型

for epoch in range(10):
running_loss = 0.0
for i, data in