深度学习——1.搭建属于自己的深度学习环境

简介

对于很多刚入门机器学习或深度学习的同学来说，搭建环境是相当的头疼，不仅是因为是选择windows 还是Ubuntu，即使Python的选择也很纠结，到底是Python2或者pyhon3，到底是用pycharm这种功能完整，编译调试方便的IDE,还是应用anocanda搭建jupyter notebook.由于选择太多，反而患了选择恐惧症，不知道哪一个适合自己。这里我推荐如果您想在windows下想浅尝辄止的学习一下，那你就选择pycharm,下载安装的时候会选择Python版本，Python2在将来是逐渐退出维护的，所以推荐Python3.如果你想一直将来从事人工智能相关的工作，推荐还是在ubuntu上搭建属于自己的环境，便于自己开发。当然Windows下也支持anaconda，也可以搭建深度学习环境。本文主要是介绍如何在Ubuntu下搭建属于自己的深度学习环境（机器学习通用）。

anaconda介绍及安装

使用 Anaconda 来管理 Python 所用的包和环境。Anaconda 能让你在数据科学的工作中轻松安装经常使用的程序包。你还将使用它创建虚拟环境，以便更轻松地处理多个项目。Anaconda 简化了工作流程，并且解决了多个包和 Python 版本之间遇到的大量问题。Anaconda 实际上是一个软件发行版，它附带了 conda、Python 和 150 多个科学包及其依赖项。应用程序 conda 是包和环境管理器。Anaconda 的下载文件比较大（约 500 MB），因为它附带了 Python 中最常用的数据科学包。

anaconda安装过程

1.官网下载anaconda安装包，选择linux->python3.7的最新版本。

2.在文件所在路径下执行下面的命令安装。

bash Anaconda2-2018.12-Linux-x86_64.sh //注意修改所文件名为你下载的anaconda文件名

3.验证是否成功

conda list //如果显示很多包，则表示安装成功

conda管理包

conda 包管理器用于在计算机上安装库和其他软件。你可能已经熟悉 pip，它是 Python 库的默认包管理器。conda 与 pip 相似，不同之处是可用的包以数据科学包为主，而 pip 适合一般用途。与此同时，conda 并非像 pip 那样专门适用于 Python，它也可以安装非 Python 的包。它是支持任何软件的包管理器。也就是说，虽然并非所有的 Python 库都能通过 Anaconda 发行版和 conda 获得，但同时它也支持非 Python 库的获得。在使用 conda 的同时，你仍可以使用 pip 来安装包。

conda 安装包

conda管理包是相当简单的。要安装包，请在终端中键入"conda install package_name"。例如，要安装 numpy，请键入 :

conda install numpy

conda 安装多个包

conda install numpy scipy pandas

conda 卸载包

 conda remove package_name

conda 跟新包

conda update package_name
//跟新所有包
conda update --all

环境管理

下面重点介绍如何用conda搭建自己的环境,可以使用 conda 创建环境以隔离项目.

要创建环境，请在终端中使用 conda create -n env_name list of packages。在这里，-n env_name 设置环境的名称（-n是指名称），而 list of packages 是要安装在环境中的包的列表。例如，要创建名为 my_env 的环境并在其中安装 numpy，请键入 :

conda create -n my_env numpy

创建环境时，可以指定要安装在环境中的 Python 版本。这在你同时使用 Python 2.x 和 Python 3.x 中的代码时很有用。要创建具有特定 Python 版本的环境，请键入类似于 conda create -n py3 python=3 或 conda create -n py2 python=2 的命令。实际上，我在我的个人计算机上创建了这两个环境。我将它们用作与任何特定项目均无关的通用环境，以处理普通的工作（可轻松使用每个 Python 版本）。这些命令将分别安装 Python 3 和 Python 2 的最新版本。要安装特定版本（例如 Python 3.7），请使用 conda create -n py python=3.7。

进入环境

source activate my_env

进入环境后，你会在终端提示符中看到环境名称，它类似于 (my_env) ~ $。环境中只安装了几个默认的包，以及你在创建它时安装的包。你可以使用 conda list 检查这一点。在环境中安装包的命令与前面一样：conda install package_name。不过，这次你安装的特定包仅在你进入环境后才可用。

退出环境

source deactivate

环境共享

共享环境这项功能确实很有用，它能让其他人安装你的代码中使用的所有包，并确保这些包的版本正确。你可以使用 ：

conda env export > environment.yaml

包保存环境为 yaml文件。命令的第一部分 conda env export 用于输出环境中的所有包的名称（包括 Python 版本）。导出命令的第二部分 > environment.yaml 将导出的文本写入到 YAML 文件 environment.yaml 中。现在可以共享此文件，而且其他人能够用于创建和你项目相同的环境。

要通过环境文件创建环境，请使用:

conda env create -f environment.yaml

列出环境

conda env list

删除环境

conda env remove -n env_name  //删除指定的环境（在这里名为 env_name）。

以上内容搭建了深度学习的环境，但是还没有一个具体的写代码，编译，调试的工具，这时候该jupyter notebook 出场了。

jupyter notebook 介绍

Jupyter notebook 是一种 Web 应用，能让用户将说明文本、数学方程、代码和可视化内容全部组合到一个易于共享的文档中。Jupyter Notebook 已迅速成为处理数据的必备工具。其用途包括数据清理和探索、可视化、深度学习和大数据分析。你在 Web 应用中编写的代码通过该服务器发送给内核，内核运行代码，并将结果发送回该服务器。之后，任何输出都会返回到浏览器中。保存 notebook 时，它将作为 JSON 文件（文件扩展名为 .ipynb）写入到该服务器中。

jupyter notebook 安装

在您自定义的环境中通过conda 安装。

conda install jupyter notebook

启动jupyter notebook

1.首先通过以下命令进入深度学习环境 ：

source activate 环境名

2.打开jupyter notebook 

jupyter notebook

运行此命令时（请自己试一下！），服务器主页会在浏览器中打开。默认情况下，notebook 服务器的运行地址是 http://localhost:8888。该地址的含义是：localhost 表示你的计算机，而 8888 是服务器的通信端口.

执行完以上步骤，您就完成了深度学习环境的搭建，进入了jupyter notebook 开发界面，接下来就可以写代码测试了。