一名深度学习初学者在学习中遇见的问题，为后来者避坑。

一.库函数的选择

1.1

我使用的是anconda来管理环境和包，jupyter来写代码。

环境按照我的理解是：硬件+操作系统+编译器+库函数。和做饭需要厨房，厨具，食材，食谱一样。有了这个环境管理可以把不同的工具放一块。有些时候需要旧版本的一套东西，可以配一套旧工具放一块。初学的时候不用在意，有一套够用的就行了。

1.2

在刚开始安装库的时候总认为最新的肯定是最好的，不过在学到使用GPU加速的时候，发现tensorflow2.10.0之后的版本不支持windows系统。在机器学习中使用GPU比CPU快十倍以上，为了后期学习中节约时间，所以从2.15.0又降回了2.10.0。因为不同的包之间有依赖关系，所以numpy也换回了旧版本。CUDA和Cudnn是GPU加速的必要软件，也重装需要卸载干净。从我发现没法用GPU到解决这个问题，花了至少四个小时时间。如果有初学者看到的，在选择版本之前一定要认真的查询，或者直接按照教材（书籍，视频里老师的版本安装）。

我现在使用的是windos10系统 tensorflow2.10.0  cuda11.2  cudnn11.2。

tensorflow会自动调用GPU，或者我们手动设置也可，在代码最前面输入

import os
os.environ["CUDA_VISIBLE_DEVICES"]="0"#我们的CPU和GPU一般只有一个，这是让设置使用“0”号GPU的代码

二.深度学习的编程基础

如果编程基础不牢在学习的时候，看代码会有些地方卡住，比如想使用一部分数据的时候不知道怎么检索，在这种类似的地方卡住，影响效率。

所以在学习机器学习前一定要掌握

MOOC 西安科技大学《神经网络与深度学习》有这方面的知识。可以用来学习

python基础语法知识：尤其是要了解面向对象编程。在python中的很多库，比如numpy库，特点数组就是一个对象，对象有属于自己的属性和“动作”。绘图过程中的坐标轴等也是一个对象，更改坐标轴颜色或者添加注释都是对这个对象的属性进行修改。

numpy库：tensor的张量，numpy的数组，pandas的pandasframe数据，或者矩阵之类的名称，都是高维数据的一些表示方式。矩阵运算是处理机器学习数据的基础。

matlplotlib.pyplot库：绘图在前期观察数据，中期调整模型，后期展示成果非常有用。

pandas库：类似于excel，只不过是用编程的方法操控，数据可以美观的观察。

pillow(图像处理)：在深度学习中处理图像占很大一部分。