【深度学习安装篇】之专业名词解释——模块，包，库，环境

已于 2024-10-04 21:14:20 修改
阅读量884 收藏 27
点赞数 20
文章标签： 深度学习 人工智能 python
于 2024-10-04 21:07:06 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/shizi_zhang/article/details/142706920
版权

当本计算机小白入门深度学习时，常常被专业名词所困扰。在安装过程中总会疑惑什么是环境？什么是库？什么是包？如何正确地下载软件？因此本篇想总结一下安装过程中遇到的专业名词，也是本小白入门第一步。

1. Python解释器

向计算机解释Python的语言工具，只有下载了解释器才能运行Python程序。

Python解释器的名称由Python以及版本号组成，如Python3.7.0、Python 3.9.0

2. 代码编辑器

用来编辑代码的工具，使用代码编辑器前必须下载Python解释器。

  • Python代码编辑器：Jupyter Notebook、Spyder、PyCharm、Visual Studio Code等；

  • C 的代码编辑器： Visual C++、 Dev C++、 Visual Studio Code等；

  • C++的代码编辑器：Visual Studio 2022、Eclipse、Code::Blocks、Dev C++、Visual Studio Code等。

注意：代码编辑器任选其一即可

3. Python模块、包、库

3.1 模块

是一种组织代码的方式，是一个变量、数组、函数和类的集合，是一个.py文件。

通过import语句可以在其他Python文件中引入该模块，并使用其中定义的函数、类、变量。（个人理解：可以理解为matlab中的函数文件）

（1）创建模块
这是一个名为"hello.py"的模块（文件），其中hello就是该模块的名称。

def func():
  print("hello world!")

（2）引用模块

import hello  # 导入整个模块
hello.func()  #调用从hello模块导入的func函数
#输出：hello world!

3.2 包（Package）

是一种组织模块的方式，它可以包含多个模块和子包，使得代码的组织管理更加方便。包含一个特殊的__init__.py文件，用于标识该目录为一个包。

（1）创建包

假设我们要创建一个名为 mypackage 的包，其中包含两个模块 module1.py 和 module2.py。我们可以这样组织：

mypackage/
	    __init__.py  #可以是空文件，或者用来初始化包或设置默认导入。
	    module1.py
	    module2.py  #module1和module2是具体的 Python 模块。

mypackage/module1.py：

def func1():
	    print("This is function 1 in module1")

mypackage/module2.py：

def func2():
	    print("This is function 2 in module2")

（2）导入包中的模块
直接导入特定的函数：

from mypackage.module1 import func1
func1()  # 输出: This is function 1 in module1

导入整个模块：

import mypackage.module1
mypackage.module1.func1()  # 输出: This is function 1 in module1

使用别名导入：

import mypackage.module1 as m1
m1.func1()  # 输出: This is function 1 in module1

3.3 库（library）

是几个包的集合，具有某些功能的模块和包都可以被称为库。这些功能通常封装成模块、类和函数等形式，以便开发者能够轻松地复用它们来构建更复杂的应用程序。

可以通过import语句导入并使用其功能

3.3.1 Python标准库

Python自带了一个庞大的标准库，它包括了各种模块，这些模块提供了一系列的内置功能。

  • os：用于与操作系统进行交互。
  • sys：访问与Python解释器紧密相关的变量和函数。
  • datetime：用于日期和时间的操作。
  • math：数学运算相关的函数。
  • re：正则表达式支持。
  • json：JSON数据编码和解码。
  • http.client 和 urllib：HTTP请求相关操作，以及其他许多有用的模块。

这些库是随着Python安装自动提供的，不需要额外安装就可以直接使用。

3.3.2 第三方库

除了标准库之外，还有许多由社区贡献的第三方库，这些库可以极大地扩展Python的能力。一些知名的第三方库包括：

  • NumPy：支持大型多维数组和矩阵，并提供了大量高级数学函数。
  • Pandas：提供了高性能的数据结构和数据分析工具。
  • Matplotlib：一个强大的2D绘图库，可以生成图表。
  • Scikit-learn：简单高效的数据挖掘和数据分析工具。
  • Flask/Django：Web开发框架。
  • TensorFlow/PyTorch：深度学习框架。
  • Requests：用于发送HTTP请求的库，简化了web服务的交互。

4. Python环境

是用于运行Python的上下文。

开发环境是指你在编写、测试和调试代码时所使用的整个软件设置。这包括操作系统、文本编辑器或集成开发环境（IDE）、Python解释器以及任何相关的库或工具。（操作系统包括：Windows，MacOS，Linux等）

推荐功能强大的开发环境：Anaconda。其内含Python解释器、代码编辑器以及很多第三方库。

4.1 全局环境

每个操作系统都有一个默认安装的Python环境，叫做全局Python环境。不同的操作系统、不同的版本预装的Python版本可能不同。

不建议使用全局Python环境进行开发。 因为：Python 的兼容性不太好，而不同项目依赖的 Python 解释器的版本可能不同，如果直接使用全局 Python 环境开发，极有可能出现环境混乱，不同项目间依赖相互干扰，甚至破坏其他系统软件的依赖，导致系统软件无法运行。

4.2 虚拟环境

为了解决全局环境的问题，开发者会为项目创建虚拟环境。

虚拟环境的特点以及作用：
（1）可以创建任意多个库；
（2）可以指定Python版本；
（3）该环境是项目粒度的，是项目中的子文件夹，与全局环境以及其他环境相互隔离。（个人理解：虚拟环境只服务于特定的项目）

4.3 conda环境

指使用conda包管理的Python环境。（Conda 是一款功能强大的命令行工具，用于包和环境管理，可在 Windows、macOS 和 Linux 上运行。）

conda环境的特点以及作用：
（1）可以很好地创建具有相互关联的依赖项以及二进制包的环境；
（2）该环境是全局粒度的，因此可以安装多个conda环境，然后为不同的项目选择不同的conda环境。

base环境：是当安装Anaconda或Miniconda时自动创建的第一个Conda环境。它是默认的活动环境，直到你创建并激活了另一个环境。Base环境通常包含了Anaconda或Miniconda分发版附带的一系列预装软件包。

shizi_zhang
关注
深度学习入门（六）——计算机视觉简述
weixin_41480034的博客
05-28 7357
深度学习与计算机视觉数学基础卷积数学优化基础卷积神经网络基本概念卷积层和特征响应图参数共享稀疏连接多通道卷积激活函数池化、不变性和感受野LeNetAlexNetGoogleNetResNet目标检测任务分割任务分类任务 数学基础 卷积 数学优化基础 卷积神经网络 基本概念 卷积层和特征响应图 参数共享 稀疏连接 多通道卷积 激活函数 池化、不变性和感受野 LeNet AlexNet GoogleNet ResNet 目标检测任务 分割任务 分类任务 ...
PyTorch深度学习实战（4）—— Tensor的基本操作
shangjg3的博客
08-07 1034
其中，大多数索引操作通过修改Tensor的stride等属性与原Tensor共享内存，即修改了其中一个Tensor，另一个Tensor会跟着改变。HalfTensor是专门为GPU版本设计的，同样的元素个数，HalfTensor的显存占用只有FloatTensor的一半，因此使用HalfTensor可以极大缓解GPU显存不足的问题。用户可以沿着某一维度进行指定的归并操作，例如，加法。的输入对象都是多个Tensor组成的一个序列（如列表、元组等），所有的Tensor在拼接之外的维度必须相同或者可以进行广播。
【深度学习】深度学习名词概念解释
Leoh的博客
05-30 1163
RNN（循环神经网络）具有如下所示的循环结构的网络。如上所示的循环结构使RNN的输出前馈到自身，因此，RNN网络拥有“状态”。
深度学习——day36 读论文：基于深度学习的海洋环境感知
想太多的学习日志
10-05 1075
在这项工作中，我们提出了一个基于深度学习的海洋应用环境感知的管道，证明了使用cnn来检测拥挤港口地区的物体的可能性。我们采用了点柱架构来预测二维而不是3D边界盒。使用相同的数据集，自适应的CNN在模拟中获得了更高的AP（65.4%）。我们还对有关德国罗斯托克港的真实数据集进行了评估。在这里，一艘载有16层激光雷达的USV进入了拥挤的港口，船上有几艘停车场船和一艘正在移动的橡皮艇作为动态参考目标。当USV接近港口时，带有MOT的2D尖柱发现了大多数的停车费用船。同时，静态环境映射继续完成被占用的空间，总体Io
李宏毅深度学习笔记——呕心整理版
Red_Elf的博客
12-06 6382
机器学习就是寻找一个复杂函数。深度学习的函数就是类神经网络。
深度学习修炼（三）——自动求导机制
弄鹊
03-23 4121
自动求导机制以及线性回归的初体验
当代人工智能三教父——深度学习三巨头
心碎烤肠的博客
05-23 6033
今天下午闲来无事翻阅了一下csdn首页的头条文章——《27 岁天才创始人Joel Hellermark分享了自己和“AI 教父”Geoffery Hinton的最新采访》 感觉挺有意思，就从头到尾的看了一遍，里面有很多自己以前从未涉及到的知识，就浅显的整理了一下：
学习笔记之——基于深度学习的目标检测算法
热门推荐
gwpscut的博客
10-01 2万+
        国庆假期闲来无事~又正好打算入门基于深度学习的视觉检测领域，就利用这个时间来写一份学习的博文~本博文主要是本人的学习笔记与调研报告（不涉及商业用途），博文的部分来自我团队的几位成员的调研报告（由于隐私关系，不公告他们的名字了哈~），同时结合本人的一些思考与理解。本博文仅从理论、介绍入手。暂时不涉及代码，后续会有博文补充各个算法的代码~好下面进入正题 目录 引言 深度目标检测算...
深度学习的58个专业术语
weixin_43682519的博客
11-15 1464
激活函数（Activation Function） 为了让神经网络能够学习复杂的决策边界（decision boundary），我们在其一些层应用一个非线性激活函数。最常用的函数包括 sigmoid、tanh、ReLU（Rectified Linear Unit 线性修正单元） 以及这些函数的变体。 Adadelta Adadelta 是一个基于梯度下降的学习算法，可以随时间调整适应每个参数的学习率。它是作为 Adagrad 的改进版提出的，它比超参数（hyperparameter）更敏感而且可能会太过严
人工智能之深度学习-初始环境搭建（安装Anaconda3和TensorFlow2步骤详解）
「 虚幻私塾」
03-06 5281
Python微信订餐小程序课程视频 https://edu.csdn.net/course/detail/36074 Python实战量化交易理财系统 https://edu.csdn.net/course/detail/35475 前言： 本篇文章主要讲解的是在学习人工智能之深度学习时所学到的知识和需要的环境配置（安装Anaconda3和TensorFlow2步骤详解），以及个人的心得体会，汇集成本篇文章，作为自己深度学习的总结与笔记。 内容主要是人工智能和深度学习的简介、环境配置和简单的python实例
硬件工程师笔试面试学习汇总——器件篇目录
XU157303764的博客
09-17 2934
硬件工程师笔试面试学习
深度学习简介
六神的博客
12-24 1070
前言 当用户基于各种原因学习并使用了一种框架的时候，常常会发现应用或者再训练的场景改变了，比如用户用 Caffe 训练好了一个图像识别的模型，但是生产环境是使用 TensorFlow 做预测。再比如某机构主要以TensorFlow作为基础的深度学习开发框架，现在有一个深度算法项目，需要将其部署在移动设备上，并希望使用速度较优的ncnn前向框架，以观测变现等等。传统地我们可能需要用tf重写Caffe...
深度学习·wandb
2301_80132162的博客
10-01 409
一个好用的可视化训练过程和调参工具，建议在深度学习中使用，语法来说更加方便。
安全帽头盔检测数据集 3类 12000张 安全帽数据集 voc yolo
阿利同学的博客
10-04 780
安全帽头盔检测数据集 3类 12000张 安全帽数据集 voc yolo
深度学习：DCGAN
Landy_Jay的博客
10-01 466
CDGAN（Deep Convolutional Generative Adversarial Networks），是GAN（Generative Adversarial Networks）的一种变体，它特别使用了卷积神经网络（CNNs）作为生成器和判别器的构建模块。DCGAN使用全卷积网络结构代替传统的池化层和全连接层。在生成器中采用转置卷积（也称为分数步长卷积或反卷积）来逐步增加图像的空间维度。在判别器中使用卷积层来逐步减少空间维度并提取特征。
国创——基于分离表示的人脸图像生成技术
2301_80073593的博客
10-01 984
根据用户的个性化需求，对分离得到的形状和纹理表示进行调整。- 在DFGA框架的几何形状生成模块中，根据输入数据（可能是经过预处理的图像特征等），使用特定的算法或模型生成人脸的几何形状。- 分离表示旨在将人脸图像分解为不同的组件，如几何形状（面部结构）、皮肤纹理（颜色、细节等）等表示形式。- 将生成的几何形状和皮肤纹理进行融合，得到最终的个性化人脸图像或者视频帧（如果是从视频序列输入）。- 定义DFGA框架中的各个模块，如数据加载模块、几何形状生成模块、皮肤纹理生成模块、融合模块等。
【深度学习】— 多层感知机介绍、 隐藏层、从线性到非线性、线性模型的局限性
我们都是被分成两半的人，一边热爱生活，一边憎恨生活。面对生活，我们总是在矛盾的两端摇摆，在反复的矛盾和犹豫中，一边踉跄前行，一边重振旗鼓。我渴望改变，渴望变得更好，渴望找到出口……就像一个溺水人的挣扎，就像一个救生圈。我是一个矛盾集合体，想要变得快乐，但是
10-05 482
在第 3 节中，我们介绍了 softmax 回归，并实现了其从零开始的实现和基于高级 API 的实现，训练了分类器来识别 10 类服装图像。这种网络共有 2 层，每层都是全连接的，每个输入都会影响隐藏层中的每个神经元，而隐藏层中的每个神经元又会影响输出层中的每个神经元。最简单的方法是堆叠多个全连接层，每一层的输出作为下一层的输入，最终生成输出。线性模型假设输入特征与输出之间的关系是单调的，例如收入增加会增加偿还贷款的概率，但这种关系不是线性的。个隐藏单元的单隐藏层多层感知机（MLP），隐藏层的输出可以用。
【深度学习】—激活函数、ReLU 函数、 Sigmoid 函数、Tanh 函数
最新发布
我们都是被分成两半的人，一边热爱生活，一边憎恨生活。面对生活，我们总是在矛盾的两端摇摆，在反复的矛盾和犹豫中，一边踉跄前行，一边重振旗鼓。我渴望改变，渴望变得更好，渴望找到出口……就像一个溺水人的挣扎，就像一个救生圈。我是一个矛盾集合体，想要变得快乐，但是
10-05 573
我们已经了解了如何使用非线性激活函数（如 ReLU、sigmoid 和 tanh）来构建具有更强表达能力的多层神经网络。值得一提的是，如今借助开源的深度学习框架，只需几行代码即可快速构建模型，而在 20 世纪 90 年代，训练这些网络可能需要数千行 C 或 Fortran 代码。
评论 1
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