深度学习环境功能以及安装流程

目录

1.Anaconda与python的介绍

01Anaconda（含conda包管理工具）

02Python（pip包管理工具）

2.Anaonda与Pycharm安装

3.pycharm使用Conda环境

01 Conda创建环境

02Pycharm导入环境

4.Cuda与cuDNN

01GPU

02CUDA（工作台）

03 CUDA Toolkit（简化版CUDA）

04cuDNN（工具）

05pytorch（GPU）

5主流的深度学习框架

6 安装pytorch 

01确定可以安装什么版本的CUDA

 02 确定你要安装什么版本的CUDA

03 确定你要安装什么版本的pytorch

7.pytorch介绍

01简介

02简史

03 包

04 特点

---

1.Anaconda与python的介绍

01Anaconda（含conda包管理工具）

1）开源的python发行版本，里边包含python和各种用于科学计算的包，可以独立使用；

2）屏蔽了系统平台的差异；

3）有一个虚拟环境的概念，每一个环境之间是隔离的，可以设定不同的python版本以及各种包。不和系统冲突，可以随意切换。

02Python（pip包管理工具）

关于虚拟环境的区别这部分可以移步虚拟环境的区别以及常用操作命令查看。

2.Anaonda与Pycharm安装

网上有很多安装教程。

3.pycharm使用Conda环境

01 Conda创建环境

conda create -n 环境名 python=3.9

​

​

02Pycharm导入环境

​

 ​

 ​

 ​

​

 ​

可以查看是否安装上了。

4.Cuda与cuDNN

01GPU

显卡是我们平时说的GPU，大多数电脑使用的是NVIDIA公司生产的显卡，常见的类型有RTX2060,GTX1060等

02CUDA（工作台）

CUDA是显卡产商推出的运算平台，一种通用并行计算架构，该架构使得GPU能够计算解决复杂的计算问题。

03 CUDA Toolkit（简化版CUDA）

04cuDNN（工具）

cuDNN是NVIDIA针对神经网络中的操作而设计基于GPU的加速库。

05pytorch（GPU）

站在巨人的肩膀上写代码。

5主流的深度学习框架

​

6 安装pytorch 

01确定可以安装什么版本的CUDA

​​

 ​

 02 确定你要安装什么版本的CUDA

​cudnn与CUDA版本需要一一对应。

03 确定你要安装什么版本的pytorch

在torch官网找到安装命令

7.pytorch介绍

01简介

• pytorch 是深度学习框架和科学计算包
• pytorch之所以可以进行科学计算是因为它是一个张量库并且有相关的张量运算
• pytorch和numpy有很强的互操作性，原因：1.张量和数组具有相似性； 2.pytorch的torch.tensor对象是由numpy的ndarray创建的，它们共享内存；
• pytorch 张量运算可在GPU上运行；

02简史

• pytorch的前身是torch，torch是基于lua语言(该语言晦涩难懂且生态系统很小)；
• pytorch的发起者是facebook的研究员Soumith Chintala

03 包

• torch: 包含所有torch包和tensor库的顶级包
• troch.nn: 是用于建立神经网络的包，它包含类和模块，如layer,weight和forward function
• torch.autograd: 支持张量的导数运算，负责优化神经网络
• torch.nn.function: 访问损失函数的API
• torch.optim: 访问优化器 (SGD,ADAM...)
• torch.utils: 包含数据集和数据加载器的实用程序类
• torchvision: 访问流行的数据集、计算机视觉中的模型框架及图像转换
• 所有深度学习框架都有两个特性:张量库和计算导数的包(在pytorch中是torch和torch.autograd)

04 特点

• pytorch is modern, pythonic and thin design
• pytorch is a python extension
• pytorch的简单性使其具有更长的寿命
• pytorch是研究中首选框架的原因：pytorch的计算图是动态的，而其他框架通常是静态的，许多深度学习领域的前沿研究都需要动态图或从动态图中获益
• 计算图是用于描绘神经网络中张量的函数操作，通常用于计算优化神经网络权重所需的导数