在树莓派上运行pytroch模型🚀

        在完成了树莓派的一系列基础配置学习之后，按照规划，下一步要做的就是在树莓派上安装一个pytorch，尝试运行一下深度学习的模型，如果可以实现且准速度有一定保证的话，就可以作为一个项目方案，或者来说参加比赛用的一个非常好的选择方案，也是打算抽时间写一篇类似的东西，今天终于是完成了。

---

---

系列文章1：树莓派初探—给树莓派5 安装Raspberry Pi OS 操作系统
系列文章2：使用VNC-viewer对树莓派5 远程连接桌面—详细记录笔记版
系列文章3：树莓派5环境配置笔记 新建虚拟python环境—安装第三方库—配置Thonny解释器
系列文章4：在树莓派5上调用通义千问API实现多轮对话和流式输出

---

1.在树莓派上新建一个python的虚拟环境并安装pytroch(CPU)

---

在进行pytroch任务之前可以先建一个虚拟环境。

如果是纯新手的的话可以去看一下更详细的这个入门版教程：树莓派5环境配置笔记 新建虚拟python环境—安装第三方库—配置Thonny解释器

新建虚拟环境

python3 -m venv pytroch

激活虚拟环境

source pytroch/bin/activate

配置清华园镜像

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

更新软件下载仓库的索引文件

sudo apt update

安装pytroch，树莓派上没有GPU所以我们直接pip安装就行安装一个CPU的版本。

pip3 install torch torchvision torchaudio

安装成功之后看下pytorch的版本。
启动python

python

导入torch

import torch

查看pytroch版本

troch.__version__

退出python解释器

exit()

1+.安装matplotlib绘图库（之后绘制损失曲线用的到）

---

进入到之前建好的pytroch环境下，然后直接安装就行。

pip3 install matplotlib

进入到环境中之后直接安装就行

2.使用的训练代码（仓库/详解博客）

---

我使用的代码是我自己之前写的基于一维卷积神经网络的深度学习训练模板代码，自己下载一下就行了，用自己的也行。

GitHub仓库地址：https://github.com/StChenHaoGitHub/1D_Pytorch_Train_demo

博客地址：https://chen-hao.blog.csdn.net/article/details/135992162

3.通过U盘传输模型代码

---

将代码下在U盘里然后直接插入，这里为了避免远程传输可能出现的各种风险，先直接用硬件传输代码。

插入U盘之后，界面会出现移动设备插入的提示，选中Open in File Manager 然后点击OK就可以了

找到深度学习的项目代码，然后跟Windows一样的操作，复制粘贴到桌面上。
复制到桌面上之后可以看到，复制到系统上的项目图片，和移动设备的图标。

4.在Tonny中打开项目文件

---

在Tonny中点击View，然后选择Files，显示文件管理窗口。

在File窗口中点击蓝色的路径就可以一直找到项目文件了，通过点击蓝色的路径中的文件夹的名称蓝色路径下的空白部分就会显示当前路径下的内容。

5.配置Tonny解释器

---

详细教程见下面文章的第四部分。
树莓派5环境配置笔记 新建虚拟python环境—安装第三方库—配置Thonny解释器:https://chen-hao.blog.csdn.net/article/details/141256300

选则完成之后界面中的路径如下。

6.运行训练模型的程序

---

然后打开左边的train.py文件，直接点击右上角绿色运行训练程序就行，虽然慢点但是是可以跑通的这里我用的是LeNet跑的，我下面的截图是我运行完的结果，训练曲线的弹窗也出来了，OK成功！

报错笔记—安装时报错 ERROR: THESE PACKAGES DO NOT MATCH THE HASHES

上网搜了很多方案 比如加upgrade还有 --no-cache-dir 等等的方法，都不好使，最后的解决方案是在安装pytroch之间先使用一个sudo apt update更新软件包索引包就ok了。

sudo apt update 

2024.8.24 文章入选全站综合热榜感谢认可

结束

---

这样的话基本上在单片机上进行一些基本的模型推理的基础技术部分就结束了，这样就可以把传感器的数据和深度学习模型直接结合起来，完成一个非常好的实践方式后续我再想想还需不需要尝试一下Docker之类的在树莓派上。