深度学习（二）——新建工程、配置环境

原创已于 2025-10-23 20:51:13 修改 · 473 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#python #学习 #深度学习

于 2025-10-22 21:58:33 首次发布

深度学习专栏收录该内容

5 篇文章

订阅专栏

2.1 建立工程

点击文件-新建项目；

（1）选择项目名称和位置。

（2）配置解释器选择自定义环境，选择Conda环境（好奇下面几种环境的区别，留个坑），Conda路径如果之前创建过Conda环境就会自动出现，如果没有，需要手动选择，选择conda.bat文件，也就是如下路径的文件D:\annaconda\condabin\conda.bat ，即Annaconda文件夹下面condabin文件夹下的conda.bat文件；

发现即使是创建新的虚拟的conda环境，conda路径都是相同的，这并不意外，在1.3小节中我们提到，在所有的虚拟环境中，使用的都是同一个conda命令，只是在安装包的过程中会自动选择安装的目的地。

创建完成后，自动出现pycharm界面，观察导航栏的左侧，有RNN和外部库，这里RNN就是我们项目创建的位置，右击鼠标，新建python文件可以新建.py，就是写代码的位置。外部库就是我们刚刚创建的Conda虚拟环境，可以看见虚拟环境的具体位置。

这个虚拟环境建立在Anaconda/envs的文件夹中

2.2 配置环境

由于学习的是《动手学深度》这本书，书中需要的代码都可以在网站上获得：

《动手学深度学习》 — 动手学深度学习 2.0.0 documentation，书的前章介绍了如何配置这本书需要的环境，这里根据书上的需要展开配置，

（1）Python解释器：3.9版本；

（2）安装深度学习框架：安装Pytorch的GPU或者CPU版本（Pytorch就是深度学习框架的一种）；

在安装之前，请先检查计算机上是否有可用的GPU。例如可以查看计算机是否装有NVIDIA GPU并已安装CUDA。如果机器没有任何GPU，没有必要担心，因为CPU在前几章完全够用。但是，如果想流畅地学习全部章节，请提早获取GPU并且安装深度学习框架的GPU版本。可以在任务管理器-性能查看自己是否有GPU。

（3）安装d2l包，方便调取书中常用的函数和种类;

具体步骤如下：

（1）创建一个新的环境，命名为d2l的环境，并激活这个环境。添加Python解释器，选择conda环境，并命名为d2l，选择解释器版本3.9。

（2）安装Pytorch的CPU或者GPU版本：打开anaconda prompt，激活d2l环境：conda activate d2l：

在网站上可以选择性下载深度学习框架，安装 — 动手学深度学习 2.0.0 documentation，不同的框架都有下载的命令，可以从任务管理器中查看自己是否有GPU，我有GPU，所以选择第二条命令下载。安装完成后会出现下面的语句。

下一步是安装d2l包，以方便调取本书中经常使用的函数和类：

2.2.1 深度学习框架

Python 深度学习框架常见的有7种：Theano、Lasagne、Blocks、TensorFlow、Keras、MXNet、PyTorch，深度学习的框架提供神经网络单元、损失函数还有优化器，用来帮助我们组装和训练神经网络。不过我只听过PyTorch（读法是P+Y+torch）和Tensorflow，也是最受关注的两个框架，应该如何选择呢？书中选择了Pytorch，这里我们从这两个框架的训练时间、内存使用、易用性、应用前景，对比一些这两种框架的区别。下图左边是Pytorch，右边是Tensorflow

Tensorflow是由谷歌支持的开源框架，目前最新版本是2.5.0，Tensorflow2.0专注于简洁性，相对于1.x版本陡峭的学习曲线，2.0入门深度学习难度大大降低。在训练方面，使用tf.keras和eager execution构建模型，为研究提供强大的实验工具。

在部署方面，Tensorflow可以在任意平台上实现稳健的生产环境模型部署，不论是在服务器、边缘设备还是网页上，也不论你使用的是什么语言或平台，TensorFlow 总能让你轻易训练和部署模型。

在数据可视化方面，TensorFlow提供了TensorBoard可视化工具，可以形方式可视化数据。它还允许对节点进行简单调试，查看代码的执行情况，帮助解决神经网络问题。

硬件支持上，TensorFlow 在 GPU 和 CPU 系统中使用不同的分配策略。TensorFlow 还可以使用 TPU，其计算速度比 GPU和 CPU 快

PyTorch是一个能在CPU和GPU上运行并解决各类深度学习问题的深度学习框架。可以将其看做是支持GPU计算和自动微分计算的Numpy库。PyTorch是一个灵活、容易学习Python库，在学术和研究领域 PyTorch 是最受欢迎的深度学习库。

2.2.2 什么是GPU、CPU、CUDA

PyTorch 提供了多个版本，其中包含是否支持 CUDA 的选项。具体来说：（1）CPU-only 版本：这个版本的 PyTorch 不依赖于任何 GPU 加速库（如 CUDA），只能运行在 CPU 上。（2）CUDA 支持版本，调用CUDA的一些函数，完成对GPU的调度。

GPU(Graphics Processing Unit)

GPU的英文全称Graphics Processing Unit，图形处理单元。GPU和显卡的关系，就像是CPU和主板的关系。前者是显卡的心脏，后者是主板的心脏。显卡不仅包括GPU，还有一些显存、VRM稳压模块、MRAM芯片、总线、风扇、外围设备接口等等。CPU和GPU都是运算的处理器，在架构组成上都包括3个部分：运算单元ALU、控制单元Control和缓存单元Cache。但是，三者的组成比例却相差很大。

在CPU中缓存单元大概占50%，控制单元25%，运算单元25%；在GPU中缓存单元大概占5%，控制单元5%，运算单元90%。

CUDA（Compute Unified Device Architecture）

CUDA是 NVIDIA（英伟达）推出的一种并行计算平台和编程模型，能把复杂的计算任务（比如矩阵乘法、神经网络运算）翻译成GPU能理解的指令。没有CUDA，GPU只能处理简单的图形渲染，无法参与深度学习的计算。安装CUDA需要有NvidiaGPU。然后才能去NVIDIA的官网下载CUDA并安装。

cuDNN

cuDNN 是专门为深度学习优化的“外挂包”，它基于 CUDA 开发，针对神经网络的关键操作（如卷积、池化层）做了极致优化