深度学习开发环境及编程基础

1. 独立环境配置

conda 配置一套OS相关工具包(编译好库)

创建环境 conda create -n 环境名 python=3.7 其它conda包

进入环境 conda acitvate 环境名

退出环境 conda deactivate

查看环境 conda env list

删除环境 conda remove -n 环境名 --all

Virtualenv 纯粹环境管理

安装virtualenv pip install -i Virtualenv

创建环境 virtualenv -p python.exe完整路径 环境名

进入环境 环境目录\\Scripts\\activate.bat

退出环境 环境目录\\Scripts\\deactivate.bat

environment的介绍

pytorch安装

获取本地安装后缓存目录

修改c:\users\用户名\.condarc文件内容:

.condarc

pkgs_dirs:

• D:\conda_pkgs # 改成自己盘符和目录

pytorch官网配置，复制指令安装

conda install pytorch torchvision**torchtext** cudatoolkit=11.3 -c pytorch

检查版本

torch.__version__

检查gpu可用

DEVICE = 'cuda' if torch.cuda.is_available() else 'cpu’

tensorflow安装

tensorflow silm在早期1.x过渡技术。

tensorflow 1.x 独立开发框架(底层实现+框架搭建)

tensorflow 2.x 隐藏底层实现，框架搭建keras

• conda安装

  访问anaconda.org搜索tensorflow_gpu

  选择anaconda/tensorflow-gpu选项中，通过File查看版本

  指定安装1.15.0版本 conda install -c anaconda tensorflow-gpu=1.15.0

  指定安装2.x版本 conda install -c anaconda tensorflow-gpu

• 手工安装

  1. pip install tensorflow-gpu==1.15.0
  2. 安装cuda toolkit和cudnn

     1. 查看tensorflow版本对应的cuda和cudnn版本

        从源代码构建  |  TensorFlow

     2. 下载并安装cuda对应exe安装版本

        CUDA Toolkit Archive | NVIDIA Developer

     3. 下载cudnn后覆盖解压到cuda安装目录（需email注册一个nvidia developer官网账号）

        cuDNN Archive | NVIDIA Developer

检查tensorflow

import tensorflow as tf

查看版本 tf.__version__

tensorflow1.x tf.test.is_gpu_available()

tensorflow 2.x tf.config.list_physical_devices('GPU')

IDE环境配置

pycharm

VSCode

2. 深度学习基础

机器学习原理实现及pt、tf实现