让我们花一点时间了解本课程所需的技术工具。

在本节中，我们将介绍后续章节练习中会用到的技术工具。首先，我们会简要介绍主要工具；接着提供每种工具的安装指南，并附上官方文档的详细指引链接；此外，还会分享如何确认工具已正确安装的小技巧。

工具说明

我们将使用 Python 作为编程和脚本语言。Python 是一种功能强大且易于配置的语言，在科学计算和机器学习领域被广泛采用。

Python 还拥有大量面向科学计算的第三方库，涵盖深度学习、概率推断、数据可视化等多个方向。TensorFlow 就是其中之一，在深度学习社区中广为人知，提供了许多适用于深度学习的基础与高级操作。所有练习都将使用 Jupyter Notebook，因为它相比纯 Python 脚本提供了更丰富、更交互式的编码环境。我们还将使用 pandas、NumPy 和 scikit-learn 这三个流行的 Python 库，用于数据预处理等任务。对于文本相关的操作，我们会使用 NLTK（Python 自然语言工具包）。最后，我们将使用 Matplotlib 进行数据可视化。

安装 Anaconda 和 Python

Python 可以轻松地安装在常见的操作系统上，如 Windows、macOS 或 Linux。我们将通过 Anaconda 来配置 Python 环境，因为它能自动完成 Python 及其核心库的安装配置工作。

安装 Anaconda 的步骤如下：

1. 下载 Anaconda。
2. 选择对应的操作系统，并下载 Python 3.7 版本。
3. 按照官方指南安装 Anaconda。

要检查 Anaconda 是否安装成功，请打开终端窗口（Windows 用户打开命令提示符），然后运行以下命令：

1conda --version

如果安装正确，终端将显示当前 Anaconda 发行版的版本号。

创建 Conda 环境

Anaconda 的一个优势是支持创建多个 Conda（即虚拟）环境。每个 Conda 环境都可以拥有独立的环境变量和 Python 库。例如，可以创建一个环境运行 TensorFlow 1.x，另一个环境运行 TensorFlow 2.x。这种方式能有效隔离开发环境，避免受到主机 Python 安装变化的影响。我们可以根据需要随时激活或停用不同的 Conda 环境。

创建 Conda 环境的步骤如下：

1. 在终端中运行命令：conda create -n packt.nlp.2 python=3.7，创建名为 packt.nlp.2 的环境。
2. 使用 cd 命令切换到项目目录。
3. 输入 activate packt.nlp.2 激活新创建的 Conda 环境。若激活成功，终端提示符前应出现 (packt.nlp.2)。
4. 使用以下任一方式安装所需库：
5. 若有 GPU，执行：pip install -r requirements-base.txt -r requirements-tf-gpu.txt。
6. 若无 GPU，执行：pip install -r requirements-base.txt -r requirements-tf.txt。

接下来，我们将讨论 TensorFlow 支持 GPU 所需的前置条件。

TensorFlow（GPU）软件要求

若使用 TensorFlow 的 GPU 版本，则需满足特定的软件要求，例如安装 CUDA 11.0。完整的软件需求列表可在官方文档中查阅。

访问 Jupyter Notebook

执行完 pip install 命令后，Jupyter Notebook 应已在 Conda 环境中就绪。要验证其是否正确安装并可正常访问，请按以下步骤操作：

1. 打开终端窗口。
2. 若尚未激活，运行 activate packt.nlp.2 激活 packt.nlp.2 环境。
3. 执行命令：jupyter notebook。

此时应弹出一个新的浏览器窗口，界面如下图所示：

验证 TensorFlow 安装

本课程使用的是 TensorFlow 2.7.0。建议严格按照此版本安装，因为不同版本之间的 TensorFlow 可能存在较大差异。若一切顺利，TensorFlow 应已安装在 packt.nlp.2 Conda 环境中。若安装过程中遇到问题，可参考官方提供的安装指南和故障排查说明。

验证 TensorFlow 是否安装成功的步骤如下：

1. 在 Windows 上打开命令提示符，或在 Linux/macOS 上打开终端。
2. 激活 packt.nlp.2 Conda 环境。
3. 输入 python 进入 Python 交互模式。此时应看到 Python 版本信息，请确保使用的是 Python 3。
4. 接着输入以下代码：

1import tensorflow as tf
2print(tf.__version__)

若无报错（即使没有独立 GPU 可能会出现警告信息，但可忽略），且输出版本为 TensorFlow 2.7.0，则表示安装成功。

此外，目前也有多种基于云的计算平台可供选择，用户可在其中自定义配置机器环境（如操作系统、GPU 类型、GPU 数量等）。越来越多的人转向这类云服务，主要原因包括：

• 更高的定制灵活性
• 更低的维护成本
• 无需本地基础设施支持

一些主流的云计算平台包括：

• Google Colab
• Google Cloud Platform (GCP)
• Amazon Web Services (AWS)

Google Colab 是一个优秀的云端平台，允许用户免费编写并在 CPU/GPU 硬件上运行 TensorFlow 代码。