【动手学深度学习】0 背景知识_符号说明及环境安装说明

本文链接：https://blog.csdn.net/qq_44894943/article/details/137270262

注：本文为《动手学深度学习》开源内容，部分标注了个人理解，仅为个人学习记录，无抄袭搬运意图，我个人记录符号说明这个部分是为了练习LaTeX公式语法，感兴趣的可自行参考【Markdown Latex 数学公式传送门】以及【LaTex常用数学符号大全】学习

符号说明

数字

$x$ ：标量
$\textbf{x}$ ：向量
$\Chi$ ：矩阵
$\mathsf{X}$ ：张量
$\textbf{I}$ ：单位矩阵
$x$ _𝑖 , [𝐱]_𝑖 ：向量 𝐱第 𝑖个元素
$x$ _𝑖𝑗 , [𝐗]_𝑖𝑗：矩阵 𝐗 第 𝑖 行第 𝑗 列的元素

集合论

$\chi$ ：集合
$\mathsf{Z}$ ：整数集合
$\mathsf{R}$ ：实数集合
$\mathsf{R}^n$ ：n维实数向量集合
$\mathsf{R}^{a \times b}$ ：包含行和列的实数矩阵集合
$\mathcal{A}\cup\mathcal{B}$ ：集合 $\mathcal{A}$ 和集合 $\mathcal{B}$ 的并集
$\mathcal{A}\cap\mathcal{B}$ ：集合 $\mathcal{A}$ 和集合 $\mathcal{B}$ 的交集
$\mathcal{A}\setminus \mathcal{B}$ ：集合 $\mathcal{A}$ 和集合 $\mathcal{B}$ 相减， $\mathcal{B}$ 关于 $\mathcal{A}$ 的相对补集

函数和运算符

$\mathcal{f}(\cdot)$ ：函数
$\log(\cdot)$ ：自然对数
$\exp(\cdot)$ ：指数函数
$\textbf{1}_{\mathcal{X}}$ ：指数函数
$(\cdot)^\mathsf{T}$ ：向量或矩阵的转置
$\mathbf{X}^{-1}$ ：矩阵的逆
$\bigodot$ ：按矩阵相乘
$\left[\cdot,\cdot\right]$ ：连结
$\vert \mathcal{X}\vert$ ：集合的基数
$\Vert \cdot \Vert _\mathit{p}$ ： $\mathit{L}_\mathit{p}$ 正则
$\Vert \cdot\Vert$ ： $\mathit{L}_\mathit{2}$ 正则
$\lang \textbf{x,y} \rang$ ：向量 $\textbf{x}$ 和 $\textbf{y}$ 的点积
$\sum$ ：连加
$\prod$ ：连乘
$\stackrel{\mathrm{def}}{=}$ ：定义

微积分

$\frac{dy}{dx}$ ： $y$ 关于 $x$ 的导数
$\frac{\partial y }{\partial x }$ ： $y$ 关于$x的偏导数
$\nabla_\textbf{x}y$ ： $y$ 关于 $\textbf{x}$ 的梯度
$\int_a^b \mathcal{f}(x)\ dx$ ： $f$ 在 $a$ 到 $b$ 区间上关于 $x$ 的定积分
$\int f(x)\ dx$ ： $f$ 关于 $x$ 的不定积分

概率与信息论

$\mathit{P}(\cdot)$ ：概率分布
$\mathcal{z} \sim \mathit{P}$ ：随机变量 $\mathcal{z}$ 具有概率分布 $\mathit{P}$
$\mathit{P}(X|Y)$ ： $X ∣ Y$ 的条件概率
$\mathit{p}(x)$ ：概率密度函数
$\mathit{E}_x[f(x)]$ ：函数 $f$ 对 $x$ 的数学期望
$\mathit{X}\ \bot\mathit{Y}$ ：随机变量 $X$ 和 $Y$ 是独立的
$\mathit{X}\ \bot\mathit{Y}\ |\ Z$ ：随机变量 $X$ 和 $Y$ 在给定随机变量 $Z$ 的条件下是独立的
$Va r (X)$ ：随机变量 $X$ 的方差
$\sigma_X$ ：随机变量 $X$ 的标准差
$\mathrm{Cov}(X,Y)$ ：随机变量 $X$ 和 $Y$ 的协方差
$\rho(X,Y)$ ：随机变量 $X$ 和 $Y$ 的相关性
$H (X)$ ：随机变量 $X$ 的熵
$D_{KL}(P\Vert Q)$ ： $P$ 和 $Q$ 的KL-散度

环境配置

本节简单介绍一些必要的软件的安装与配置，由于不同机器软硬件配置不同，所以不详述，遇到问题请自行通过网络查找。

Anaconda

Anaconda是Python的一个开源发行版本，主要面向科学计算。我们可以简单理解为，Anaconda是一个预装了很多我们用的到或用不到的第三方库的Python。而且相比于大家熟悉的pip install命令，Anaconda中增加了conda install命令。当你熟悉了Anaconda以后会发现，conda install会比pip install更方便一些。

总的来说，我们应该完成以下几步：

根据操作系统下载并安装Anaconda（或者mini版本Miniconda）并学会常用的几个conda命令，例如如何管理python环境、如何安装卸载包等；
Anaconda安装成功之后，我们需要修改其包管理镜像为国内源，这样以后安装包时就会快一些。

此外还可以安装python最好用的IDE PyCharm，专业版的应该是需要收费的，但学生用户可以申请免费使用（传送门），或者直接用免费的社区版。

以上配置可参考基于Anaconda配置Python开发环境（Windows系统）

Jupyter

在没有notebook之前，在IT领域是这样工作的：在普通的 Python shell 或者在IDE（集成开发环境）如Pycharm中写代码，然后在word中写文档来说明你的项目。这个过程很繁琐，通常是写完代码，再写文档的时候我还的重头回顾一遍代码。最蛋疼的地方在于，有些数据分析的中间结果，还得重新跑代码，然后把结果弄到文档里给客户看。有了notebook之后，世界突然美好了许多，因为notebook可以直接在代码旁写出叙述性文档，而不是另外编写单独的文档。也就是它可以能将代码、文档等这一切集中到一处，让用户一目了然。如下图所示。

Jupyter Notebook 已迅速成为数据分析，机器学习的必备工具。因为它可以让数据分析师集中精力向用户解释整个分析过程。

我们参考jupyter notebook-猴子的回答进行jupyter notebook及常用包（例如环境自动关联包nb_conda）的安装。

安装好后，我们可以在cmd使用以下命令打开一个jupyter notebook:

jupyter notebook

这时在浏览器打开 http://localhost:8888 （通常会自动打开）位于当前目录的jupyter服务。

jupyter没有代码提示功能全手打代码因为敲错出了bug真的很烦人，可以配置一下代码补全功能，建议参考这篇jupyter notebook 代码提示/代码自动补全，也可自行查阅其他方法

如果不想配环境或者电脑不带GPU的可以使用在线notebook，缺点是没有代码提示，本人使用的是Kaggle，但是Kaggle需要科学上网，Edge浏览器装Hoxx VPN插件就能访问Kaggle了

PyTorch

由于本笔记需要用到PyTorch框架，所以还需要安装PyTorch（后期必不可少地会使用GPU，所以安装GPU版本的）。直接去PyTorch官网找到自己的软硬件对应的安装命令即可（这里不得不吹一下PyTorch的官方文档，从安装到入门，深入浅出，比tensorflow不知道高到哪里去了）。安装好后使用以下命令可查看安装的PyTorch及版本号。

conda list | grep torch