深度学习开发环境搭建

个人开发习惯

每个人都有自己的开发习惯，如自己喜欢的开发工具、开发环境的，其实也没有最好的，只要自己用着舒服、能提高效率就好。对于做数据分析、机器学习和深度学习的开发工作，个人喜欢使用anaconda+jupyter lab的环境（jupyter其实已经包含在anaconda中了），使用conda可以方便地创建python虚拟环境，而jupyter lab则是一个基于web的交互式开发工具。最初使用的是jupyter notebook，而jupyter lab是其更新换代的产品，是新一代的notebook界面和开发环境，功能比jupyter notebook强大很多，特别是其用户界面有很大的改进，不仅UI看起来更加美观，而且使用了模块化的设计可以让用户随意地自定义布局，强烈推荐大家使用，详细信息可以访问官网了解。

最后，也是我比较喜欢的一点是，用conda创建虚拟环境之后，可以将虚拟环境添加到jupyter中，之后启动jupyter lab打开notebook，可以随意切换到需要的虚拟环境，或者创建notebook时可以选择在哪个环境下创建，这样在notebook执行代码的时候就会使用相应的环境的python执行。

系统环境

• 系统：Windows 11 64-bit

• CPU：11th Gen Intel® Core™ i7-1165G7 @ 2.80GHz 2.80 GHz

• 内存：16G

搭建流程

Anaconda

简单地说，anaconda是对python进行了封装，并且预先安装好了很多做数据科学、数据分析和机器学习所需要的包和库，如numpy、pandas、sci-kit learn等，anaconda也封装了R环境，可以使用R语言做数据分析。当然远不止这么多，它提供了可视化的环境管理和包管理工具，可以很方便地在GUI界面下创建虚拟环境和安装开源库，还有一个python的IDE Spyder，用来做python数据分析还是很不错的。有兴趣的可以访问官网详细了解下。

1. 下载

   访问网站https://www.anaconda.com/下载最新的anaconda 64-Bit安装程序

2. 开始安装

   • 直接双击双击下载好的程序开始安装，前面都可以直接点下一步，需要的话可以修改下安装路径，我一般会安装在D盘，但是注意安装路径上的目录名称不能有空格，最好也不要有中文，有的话没法安装；

     

   • 在最后一步中，如果电脑中没有安装其他python的话，建议可以都勾选上，第一个选项是把anaconda的可执行程序（如conda、python等）所在的目录加入系统环境变量PATH中，这样在cmd中不管在任何位置下都可以执行这些命令；如果你的电脑中已经安装了其他python的话，可以根据个人需求和操作习惯进行选择。

     

3. 验证是否安装完成

   • 打开cmd，输入conda和python，输出如下图所示内容说明安装成功并且anaconda也已经加入到系统环境变量PATH中了

     

     

   • 从 开始 → 所有应用 中可以进入 Anaconda3(64-bit) 目录，点击目录下面的Anaconda Prompt(anaconda3) ，可以进入anaconda的默认的python环境base，如下图所示：

     

     

如此，便安装好了Anaconda。接下来可以利用conda来创建我们用于开发或学习所需的各种虚拟环境了。

PaddlePaddle环境

1. 创建虚拟环境，在cmd中执行如下命令：

   # 注意选择 python<=3.8.0 的版本，否则后面在jupyter lab中切换环境时会有问题，应该是个bug
   conda create -n pp python=3.8.0
   

   

2. 激活虚拟环境

   conda activate pp
   

   

3. 安装paddlepaddle

   可到官网页面快速安装中选择相应的配置获取安装命令，如下图所示：

   

   输入如下命令：

   conda install paddlepaddle==2.3.2 --channel https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/Paddle/
   

   

4. 安装ipykernel：

   输入命令安装：

   conda install ipykernel
   

   

5. 将该虚拟环境添加到jupyter

   python -m ipykernel install --name pp
   

   

6. 退出虚拟环境pp，启动jupyter lab：

   conda deactivate
   jupyter lab
   

   

   

   在打开的浏览器页面中，可以看到已经有pp这个虚拟环境了。其实准确地说在jupyter中叫做内核kernel，我们是把pp这个虚拟环境中的kernel安装到了jupyter中，这样才会显示pp这个选项。我们可以点击Notebook下的pp选项创建一个使用pp这个kernel的notebook，执行一些代码，看看是否安装了paddlepaddle：

   

   可以看到我们成功导入了paddle模块，并且右上角的pp也说明了当前notebook使用的是pp这个虚拟环境。

PyTorch环境

1. 创建虚拟环境，在cmd中执行如下命令：

   # 注意选择 python<=3.8.0 的版本，否则后面在jupyter lab中切换环境时会有问题，应该是个bug
   # 这里命令跟上面的有点不同，在后面加了ipykernel，表示在创建虚拟环境的时候顺便安装ipykernel这个包，需要的话你也可以加上其他的包在创建环境的时候一起安装
   conda create -n pytorch python=3.8.0 ipykernel
   

   

2. 激活虚拟环境

   conda activate pytorch
   

3. 安装pytorch

   可到官网页面中选择相应的配置获取安装命令，如下图所示：

   

   输入如下命令：

   conda install pytorch torchvision torchaudio cpuonly -c pytorch
   

4. 将该虚拟环境添加到jupyter

   python -m ipykernel install --name pytorch
   

   

5. 退出虚拟环境pp，启动jupyter lab：

   conda deactivate
   jupyter lab
   

   

   同样的，在打开的浏览器页面中，可以看到已经有pytorch这个虚拟环境了，其实就是把pytorch这个虚拟环境中的kernel安装到了jupyter中。我们可以点击Notebook下的pytorch选项创建一个使用pytorch这个kernel的notebook，执行一些代码，看看是否安装了pytorch：

   

   可以看到我们成功导入了torch模块，并且右上角的pytorch也说明了当前notebook使用的是pytorch这个虚拟环境。

Tenforflow环境

1. 创建虚拟环境，在cmd中执行如下命令：

   # 注意选择python<=3.8.0的版本，否则后面在jupyter lab中切换环境时会有问题，应该是个bug
   conda create -n tf2 python=3.8.0 ipykernel
   

   

2. 激活虚拟环境

   conda activate tf2
   

3. 安装tensorflow

   可参考https://github.com/tensorflow/tensorflow

   # 因为我电脑没有GPU，所有选择安装比较小的只支持cpu的包
   # 如果你有GPU，则使用命令pip install tensorflow安装，其包含了对GPU的支持
   # 另外，由于默认的镜像源下载速度很慢，所以指定从清华镜像源下载包
   pip install tensorflow-cpu -i https://pypi.tuna.tsinghua.edu.cn/simple
   

   

4. 将该虚拟环境添加到jupyter

   python -m ipykernel install --name tf2
   

   

5. 退出虚拟环境pp，启动jupyter lab：

   conda deactivate
   jupyter lab
   

   

   

   同样的，在打开的浏览器页面中，可以看到已经有tf2这个虚拟环境了，其实就是把tf2这个虚拟环境中的kernel安装到了jupyter中。我们可以点击Notebook下的tf2选项创建一个使用tf2这个kernel的notebook，执行一些代码，看看是否安装了tensorflow：

   

   可以看到我们成功导入了tensorflow模块，并且右上角的tf2也说明了当前notebook使用的是tf2这个虚拟环境。

以上给出了几个流行的深度学习框架开发环境的搭建过程，当然，也可以用这种方式创建其他方面的开发环境，如数据分析、web开发等。每个虚拟环境之间互不影响，可以避免不同项目之间依赖包版本不同而产生冲突等问题，这也是python虚拟环境要解决的问题以及我们可以从中获得的好处。

正如我在开头所说的，开发环境的搭建方式、开发工具等也不是唯一的，我觉得好、我喜欢的也不一定是你所喜欢的，关键是自己用着舒服，可以提高开发效率就好，这里提供的方式也仅供参考，有任何问题欢迎留言探讨！