深度学习环境配置中软件之间逻辑与关系

对应视频教程：https://www.bilibili.com/video/BV1S5411X7FY/

在前面介绍了那么多软件和概念后，涉及到 Python，Python库，PyTorch，Anaconda，虚拟环境，PyCharm，GPU 和 CUDA，我们这一章来理清他们之间的关系，他们究竟是如何互相协作来最终运行一个 PyTorch 项目代码。

这一节，大家并不一定要完全理解，只要有个大概的印象就行了。在之后的安装和使用过程中，会逐步加深理解的。

整个深度学习环境中的配置顺序为：

1. 安装Anaconda。首先在计算机中安装Anaconda软件，等安装完成后，计算机上就有了图上的Base虚拟环境。在这个Base虚拟环境中，有着Python解释器，conda/pip 和 一些库。Python解释器是用来将我们写的Python代码翻译成计算机能够懂得语言，让计算机运行起来。conda和pip是安装库Package的工具。而库Package就是一些工具或者类似于模板，能够让我们能够更好更快地完成一些特定领域的代码书写。
2. 利用conda指令创建一个新的虚拟环境。在安装完Anaconda之后，我们就可以使用conda指令。我们一般希望创建属于自己的虚拟环境。有的时候，我们不同的项目会用到不同的环境。比如项目A需要用到PyTorch1.6的版本，项目B需要用到PyTorch1.8的版本。如果我们创建一个名为ProjectA的虚拟环境，在其中安装PyTorch1.6的版本。然后创建一个名为ProjectB的虚拟环境，在其中安装PyTorch1.7的版本。这样，我们在想用到不同PyTorch版本的时候，只需要切换到不同的虚拟环境就行了，省去了重复的卸载安装步骤。在创建新的虚拟环境的时候，我们可以指定虚拟环境中Python解释器的版本。当我们新的虚拟环境创建好之后，新的虚拟环境中就有了对应的Python解释器，conda和pip指令。
3. 利用conda或者pip指令来安装PyTorch库。大家常用的PyTorch是Python中的库。这一步，是整个安装过程中最重要的一步。大家也需要理解，PyTorch其实就是一个Python库。在安装PyTorch的时候，我们需要根据自己电脑上是否有对应的能够支持深度学习加速的显卡。目前，能够支持深度学习运算的显卡主要就是英伟达（NVIDIA）品牌的显卡和Apple M系列芯片。如果有对应的显卡，我们就可以安装GPU版本的PyTorch。如果没有对应的显卡，我们安装CPU版本的PyTorch即可。
4. 安装与配置PyCharm。PyCharm是我们编写Python代码的软件。有了PyCharm，我们可以更容易地编写，运行，调试Python代码。同时我们还需要在PyCharm中进行一系列配置，主要配置的是PyCharm在运行代码的时候，应该使用哪个虚拟环境。

接下来，我们再来介绍下PyTorch项目代码的运行过程。

1. 在PyCharm中书写并点击运行Python代码。当PyCharm知道要运行对应的Python代码时，PyCharm会根据配置找到对应的虚拟环境。
2. PyCharm找到对应的虚拟环境中，会将Python代码交给Python解释器运行，Python解释器会一行行运行Python代码，将其解释成计算机能够理解并运行的指令/语言。这些代码中也许会说，我要用到PyTorch库的哪个哪个指令，那Python解释器就去从Package中找到PyTorch并使用它。
3. 计算机要运行Python解释器解释出来的指令，自然要用到CPU。所谓的计算机运行指令，其实就是CPU运行指令。
4. 当Python代码想利用GPU来运行PyTorch代码的时候。Python解释器将翻译的指令交给CPU，然后CPU通过调用CUDA/驱动来调用GPU硬件来加速深度学习的运算。

至此，相信可以让大家对深度学习环境中的软件之间的逻辑与关系有个大概的理解。