深度学习零基础学习之路——第一章 环境软件配置

已于 2023-03-09 22:51:52 修改
阅读量765 收藏 2
点赞数 2
分类专栏： 深度学习 Python 文章标签： 深度学习 学习 python
于 2022-09-20 11:42:48 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/monkey_king_gl/article/details/126941088
版权

第一章 Python深度学习入门之环境软件配置
第二章 Python深度学习入门之数据处理Dataset的使用
第三章 数据可视化TensorBoard和TochVision的使用
第四章 UNet-Family中Unet、Unet++和Unet3+的简介
第五章 个人数据集的制作

环境软件配置

前言

  随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，我也不例外，本系列就和大家一起学习人工智能下机器学习的相关内容。在学习之前，我们需要将后续学习中要用到的软件工具提前下载安装一下，接下来我就逐一给大家来详细安装一遍。

一、编程语言Python的下载与安装

1、登陆官网下载安装包

Python的官网是：https://www.python.org/

在这里插入图片描述  登录之后将鼠标停在Download上，它会列出很多子菜单，然后根据其推荐的点击下载即可，但是要注意的是最新版本的Python3.10不能在Windows7中使用，所以Win7系统的小伙伴需要需要下载低版本的Python，其他版本可以点击All releases查看。接下来就等待下载完成得到安装包。

2、安装Python

  双击已经下载好的Python安装包，然后勾选最下面的ADD Python 3.10 to PATH，这样就不需要我们手动将python加入系统变量了。然后选择自定义安装，这样可以减少C盘的压力。
在这里插入图片描述
  接下来默认选择Next就可以。

在这里插入图片描述
  这里点击Browse选择自己想要安装的文件夹即可。

在这里插入图片描述

  显示这个界面的意思就是安装完成了，然后接下来我们就测试一下Python是否能使用。

在这里插入图片描述

3、测试Python

  按住Win + R键打开命令窗口，然后输入python回车，进入到Python环境。然后会显示Python的版本号。
在这里插入图片描述
  然后输入测试语句print(“Hello World!”)，正常输出说明Python语言安装成功！

在这里插入图片描述

二、Pytorch的安装

1.安装Anaconda

  我的理解是Anaconda是一个集成的工具软件，是用来管理Python中各种包的，适用于计算科学，如机器学习、深度学习等等，类似于JAVA开发中的Maven管理仓库一样。

登录官网下载Anaconda：https://www.anaconda.com/products/distribution

在这里插入图片描述

  接下来就根据自己的个人需求和系统推荐的点击安装即可。

在这里插入图片描述

  下载完成之后，从开始进入打开Anaconda Prompt。在这里插入图片描述
出现(base)说明Anaconda安装成功了！

在这里插入图片描述

2.环境管理

  有了Anaconda之后，我们就可以很方便的管理我们的项目环境了。Anaconda就相当于一个大箱子，里面有小隔间，每个隔间可以放不同Python的环境，并且各个小隔间互不冲突干扰，开发人员可以根据项目需要来回切换小隔间，如下图。
在这里插入图片描述
  我们打开Anaconda默认是在base环境下的，接下来我们就自己创建一个新的环境，输入conda create -n pytorch python=3.8。其中pytorch是我们取的环境名称，python=3.8是指定python版本，当然我们也可以选择其他版本，接下来就正常安装即可。
在这里插入图片描述
以上就是安装完成了，然后我们就可以来回切换环境了(注意前缀的环境名称)，查看每个环境安装的内容了。

conda activate pytorch  		#切换到pythorch环境下，同理将pytorch换成base就切换到base环境下了
conda list 						#查看该环境下安装的包
conda info -e					#查看Anaconda下有哪些环境

在这里插入图片描述

3、pytorch的下载安装

  在下载pytorch之前，我告诉大家一个血的教训，一定一定要先换源，不然在下载各类包的时候非常的慢，慢到想砸电脑。。。这是因为通过Anaconda下载安装任何东西是通过国外服务器进行下载的，所以我们需要把源换成国内的，例如：清华源、中科大源。参考于：https://blog.csdn.net/Redamancy06/article/details/125820669

3.1 换源

3.1.1. 清华源
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --set show_channel_urls yes
3.1.2. 中科大源
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/msys2/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/bioconda/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/menpo/
conda config --set show_channel_urls yes

  接下来大家就把上面这些指令复制粘贴运行就可以了。注意要一条一条的执行，执行完之后接下来下载速度就会很快了。

3.2 进入官网下载pytorch

Pytorch官网：https://pytorch.org/

在这里插入图片描述
  等待下载完成，出现以下界面说明下载完成了。

在这里插入图片描述
  接下来测试pytorch是否安装成功，进入python编程，导入torch包，如果不报错说明安装成功（如下图）。

在这里插入图片描述
  torch.cuda.is_available() 是用来测试GPU的，如果下载的是CPU的Pytorch输出是False，因为我没有NVIDIA显卡所以我安装的也是CPU的。

三、Pycharm的安装

  想了又想，还是有必要安装一下Pycharm，JetBrains家族的产品是真的香呀，Pycharm是一个开发工具，使用过IDEA的小伙伴肯定很喜欢使用Pycharm作为Python语言的开发工具。

Pycharm的官网：https://www.jetbrains.com/pycharm/      点击download就可进入下载选择界面

在这里插入图片描述  在这里我们可以看到有两个版本，一个收费的专业版和一个免费的社区版，个人开发跑demo的话免费的社区版就够用了，但是专业版毕竟收费肯定比社区版强大一些，因为我买不起，所以我选择专业版(手动狗头)。专业版也可以免费30天嘛。点击下载安装包。
在这里插入图片描述
  然后我打开安装包时突然跳出这个，我之前安装的Pycharm重来没有出现这种情况，怎么选择都没有，索性我点击Cancel，然后就正常了，就很奇怪。然后我们正常安装就行了，根据个人情况选择以下选项。
在这里插入图片描述
  以上就是安装Pycharm的过程，不得不说Pycharm用起来是真的爽，谁用谁知道，JetBrains的产品牛。专业版过期了的小伙伴如果不知道怎么办可以私信我。

3.1 Pycharm的环境配置

安装好Pycharm之后，我们就可以进行编写Py代码了，但是在创建Py文件时，我们导入torch包的时候会出现未安装，但是明明我们上面已经安装pytorch了，为啥不能用呢？这就涉及到环境的配置了，我们需要修改Pycharm的环境位置，步骤如下：

1. 打开设置选项。

在这里插入图片描述

2. 选择Python Interpreter，然后选择已存在的环境，这是因为我们在Anaconda已经创建环境了。

在这里插入图片描述

3. 选择Anaconda下我们创建的pytorch环境下的python.exe即可。

在这里插入图片描述

4. 确认修改，然后我们就可以看到我们在Anaconda下载的包全都有了。

在这里插入图片描述

3.2 安装问题

  通过3.1中修改完pycharm环境之后包问题解决了，但是我们点击Terminal可能会发现终端前面没有像我这样带环境名称，我们需要再次增加配置。
在这里插入图片描述  我们再次进入到Anaconda Prompt命令窗口,然后输入conda init powershell，可能会出现一下报错。
在这里插入图片描述  然后就需要我们用管理员权限打开控制命令窗口，输入

set-executionpolicy remotesigned

  然后再次进入到Anaconda Prompt命令窗口,输入conda init powershell命令即可解决该问题。

总结

  以上就是我进行深度学习的准备工作，俗话说磨刀不误砍柴工，学习前的准备工作要做充分。然后后面还有一些软件比如开发工具的选择，如Pycharm、Jupyter Notebook等等，这些后续再说。

Monkey_King_GL
关注
  • 2
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
深度学习-无人驾驶实战
04-07
给大家分享一套无人驾驶实战的视频教程——《深度学习-无人驾驶实战》，附源码+课件下载。课程通俗讲解无人驾驶领域中经典应用场景及其技术实现，结合最新论文与前沿算法解读当下主流技术与落地方法，源码级别分析...
深度学习零基础学习之路——第三章 数据可视化TensorBoard和TorchVision的介绍
Monkey_King_GL的博客
09-25 1401
深度学习小白的学习之路，从零开始，一步一步向深度学习大佬靠近。学习使用TensorBoard和TorchVision。
深度学习零基础学习之路——第二章 数据处理Dataset类的使用
Monkey_King_GL的博客
09-21 2151
深度学习小白的学习之路，从零开始，一步一步向深度学习大佬靠近。学习使用Dataset对数据进行处理。
深度学习零基础学习之路——第四章 UNet-Family中Unet、Unet++和Unet3+的简介
热门推荐
Monkey_King_GL的博客
11-13 1万+
深度学习小白的学习之路，从零开始，一步一步向深度学习大佬靠近。学习使用Unet网络模型，并对其后续提出的Unet++、Unet3+进行对比学习。
深度学习——第2章 深度学习开发环境搭建
A469333242的博客
12-01 1245
Anaconda是一个开源的Python发行版本，其包含了conda、Python等800多个科学包及其依赖项。因为包含了大量的科学包，Anaconda 的下载文件比较大，如果只需要某些包，或者需要节省带宽或存储空间，也可以使用Miniconda这个较小的发行版（仅包含conda和 Python）。开源免费支持近800个第三方库包含多个主流工具适合数据计算领域开发Jupyter Notebook是一个开源的Web应用程序，允许用户创建和共享包含代码、方程式、可视化和文本的文档。
TensorRT 加速深度学习模型详解课程
04-18
本课程讲解了英伟达TensoRT在加速深度学习模型中的应用，在本课程中，不仅授之以“渔”，而且授之以鱼，在讲解使用方法的基础上，最终完成一个统一的推理引擎和一个统一模型转换工具，可以把tf, caffe和onnx模型通过...
三天循序渐进掌握PyTorch教程（附带完整源码及数据集）
06-09
第二章介绍如何安装PyTorch和配置学习环境。 第三章介绍了PyTorch中多维数组Tensor和动态图autograd/Variable的使用，并配以例子。 第四章介绍了PyTorch中神经网络模块nn的基础用法，同时讲解了神经网络中“层”，...
oracle学习文档 笔记 全面 深刻 详细 通俗易懂 doc word格式 清晰 连接字符串
05-06
第一章 Oracle入门 一、 数据库概述 数据库（Database）是按照数据结构来组织、存储和管理数据的仓库，它产生于距今五十年前。简单来说是本身可视为电子化的文件柜——存储电子文件的处所，用户可以对文件中的数据...
OpenGL ES 3.0
11-21
　在前一章讨论几何形状输入图形管线的方法之后，第7章将讨论几何形状如何装配成图元，介绍OpenGL ES 3.0中所有可用的图元类型，包括点精灵、直线、三角形、三角形条带和三角扇形。此外，我们还说明了在顶点上进行...
深度学习之基于Yolov7驾驶员疲劳检测系统
2301_79809972的博客
05-17 926
一、项目背景随着汽车保有量的不断增加，驾驶安全问题日益受到人们的关注。驾驶员疲劳驾驶是导致交通事故的重要原因之一。因此，开发一种能够实时监测驾驶员疲劳状态并提前发出预警的系统对于保障驾驶安全具有重要意义。近年来，深度学习技术特别是目标检测技术在计算机视觉领域取得了显著进展，为驾驶员疲劳检测提供了新的解决方案。本项目旨在利用YOLOv7算法，开发一个基于深度学习的驾驶员疲劳检测系统。二、项目目标。
深度学习之基于Matlab汽车目标检测
2301_79810943的博客
05-21 338
一、项目背景与意义随着自动驾驶和智能交通系统的快速发展，汽车目标检测成为了一个关键的技术环节。传统的汽车目标检测方法依赖于人工设计的特征和分类器，这些方法在复杂多变的环境中表现不佳。而基于深度学习的汽车目标检测方法能够自动学习和提取图像中的特征，具有更高的准确率和鲁棒性。因此，基于MATLAB的汽车目标检测项目旨在利用深度学习技术，实现对汽车目标的自动识别和定位，为自动驾驶和智能交通系统提供可靠的技术支持。二、技术架构与实现数据准备：收集包含汽车目标的图像数据，并进行数据标注。
基于python实现的深度学习的车牌识别系统
最新发布
liudefang的专栏
05-21 680
开发语言:Python。
梯度下降、反向传播、激活函数、参数初始化、批量归一化是深度学习中常用的几个概念
不正经的码狗
05-21 155
梯度下降、反向传播、激活函数、参数初始化、批量归一化是深度学习中常用的几个概念。下面我将对这些概念进行简要的凝练解释，并给出相应的例子。
深入理解深度学习中的激活层：Sigmoid和Softmax作为非终结层的应用
qlkaicx的博客
05-21 427
σx11e−xσx1e−x1​这使得它非常适合于二分类问题的输出层，比如预测一个事件发生与否。
深度学习之基于YoloV5行人及车辆多目标跟踪检测系统
2301_79809972的博客
05-21 216
   一、项目背景与目标随着城市交通的日益复杂，对行人和车辆的实时跟踪检测需求愈发迫切。本项目旨在利用深度学习技术，构建一个基于YoloV5的行人及车辆多目标跟踪检测系统，以提高交通监控的智能化水平，确保道路交通安全。二、技术选型与特点技术选型： YoloV5：作为目标检测的核心算法，YoloV5以其高效、准确的特点成为本项目的首选。它能够在保持高精度的同时，实现较快的检测速度，非常适用于实时性要求较高的场景。 深度学习框架：采用PyTorch等深度学习框架作为技术支撑，利用其强大的计算能力和灵活的编程接口
深度学习之基于YoloV5钢材微小缺陷检测系统
2301_79809972的博客
05-21 204
一、项目背景与目标在钢材生产过程中，由于各种因素，钢材表面可能会出现微小缺陷，如裂纹、气孔等。这些缺陷如果不及时发现和处理，将会严重影响钢材的质量和安全性。因此，开发一个能够准确、快速地检测钢材微小缺陷的系统显得尤为重要。本项目旨在利用深度学习技术，具体是YOLOv5算法，构建一个钢材微小缺陷检测系统，以提高钢材生产的质量控制水平。二、技术选型与特点YOLOv5算法：YOLOv5是一种实时目标检测算法，具有高效、准确的特点。
深度学习之基于Django+Tensorflow卷积神经网络车辆车型分类识别系统
2301_79809972的博客
05-21 167
一、项目背景与目标在智能交通和自动驾驶技术日益发展的背景下，车辆车型分类识别技术显得尤为重要。为了满足交通监控、车辆管理等方面的需求，我们开发了基于Django和Tensorflow卷积神经网络的车辆车型分类识别系统。本项目的目标是构建一个高效、准确的系统，能够自动识别并分类不同的车辆车型，以提升交通管理的效率和安全性。二、技术选型Tensorflow：作为深度学习框架，Tensorflow被广泛应用于构建和训练神经网络模型。其强大的生态系统和广泛的应用基础使得它成为本项目的首选框架。
Python - 深度学习系列34 重塑实体识别
yukai08008的博客
05-21 501
transformers 演变出了两个主要分支BERT(Encoder Only)和GPT(Decoder Only)，中间分支的概念相对淡一些。本次的目的在与梳理和重建实体识别模型，来取得更好的效果。
keras深度学习实战(15)——从零开始实现yolo目标检测
02-01
Keras深度学习实战(15)——从零开始实现YOLO目标检测是一篇非常实用的教程。YOLO（You Only Look Once）是一种流行的实时目标检测算法，其核心思想是将目标检测任务视为回归问题，并通过卷积神经网络实现端到端的检测。这篇教程提供了一步一步的实现代码，让读者能够快速了解并实践YOLO目标检测的方法。 首先，教程介绍了YOLO的工作原理和网络结构。YOLO将输入图像划分为多个网格，每个网格负责预测包含在该网格中的目标。每个网格预测包含目标的方框的位置和类别，以及目标的置信度。 接下来，教程详细介绍了如何实现YOLO的网络结构。使用Keras库，创建了一个具有卷积和池化层的卷积神经网络。还使用了Anchor Boxes，用来预测不同比例和宽高比的目标。 教程还介绍了如何预处理输入图像，包括将图像调整为适当的大小，并将目标边界框转换为YOLO需要的格式。然后，选择了合适的损失函数，训练了模型，以及进行了模型评估和预测。 最后，教程提供了一些改进和扩展的思路，包括使用更大的数据集进行训练、调整网络结构和超参数等等。 通过这篇教程，读者可以了解到YOLO目标检测的基本原理和实现步骤。并且，使用Keras库可以很方便地实现和训练自己的YOLO模型。无论是对于已经有一定深度学习基础的读者，还是对于刚刚开始学习的读者，这篇教程都是非常有价值的参考资料。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值