安装指南

官方代码仓库

本课程的官方代码仓库位于 GitHub。

每个章节对应一个 Jupyter Notebook 文件，文件中包含了该章节展示的所有代码。你可以按顺序运行这些代码单元，得到与课程中一致的结果。我坚信，能够复现结果将极大增强学习者的信心。

运行环境

你有三种方式来运行这些 Jupyter Notebook：

• Google Colab
• Binder
• 本地安装

下面我们简要分析每种方式的优缺点：

Google Colab

Google Colab “允许你在浏览器中编写和执行 Python 代码，无需任何配置，免费使用 GPU，并支持便捷共享。”

你可以通过 Colab 的特殊 URL 直接从 GitHub 加载 Notebook。只需输入 GitHub 用户名或组织名（例如作者 dvgodoy），系统就会列出其所有公开的仓库（如本课程的 PyTorchStepByStep）。

选择仓库后，系统还会列出其中可用的 Notebook 及对应的打开链接，可在新浏览器标签页中打开。

此外，你还可以获得 GPU 访问权限，这对于加速深度学习模型训练非常有用。更重要的是，如果你对 Notebook 做了修改，Colab 会自动保存这些更改。整个设置过程非常方便。唯一的不足之处在于：

• 你需要登录 Google 账号。
• 对于不在 Colab 默认配置中的 Python 包，你需要手动（重新）安装。

Binder

Binder “允许你创建可共享的自定义计算环境，供多位远程用户使用。”

你也可以直接从 GitHub 加载 Notebook，但流程略有不同。Binder 会创建一个类似“虚拟机”（技术上是一个容器），克隆指定的仓库，并启动 Jupyter。这样你就可以在浏览器中访问 Jupyter 主页，体验与本地运行几乎一致的操作界面，但所有操作都在 Binder 的服务器端完成。

只需访问 Binder 的 网站，输入你想探索的 GitHub 仓库 URL，然后点击 Launch 按钮。构建镜像并打开 Jupyter 主页可能需要几分钟时间。

你也可以通过以下链接直接为本课程仓库启动 Binder：

Binder 非常便捷，无需预先进行任何设置。如果仓库作者提供了所需依赖，Binder 会在启动时自动安装所需的 Python 包。

但另一方面，启动过程可能较慢，且会话结束后你的修改不会被保留。请务必下载你修改过的 Notebook 文件。

本地安装

这种方式灵活性最高，但需要更多前期配置工作。我鼓励你尝试自己搭建开发环境。虽然一开始看起来有些复杂，但只要遵循以下七个简单步骤即可完成：

检查清单：

1. 安装 Anaconda。
   
2. 创建并激活一个 虚拟环境。
   
3. 安装 PyTorch 包。
   
4. 安装 TensorBoard 包。
   
5. 安装 GraphViz 软件和 TorchViz 包（可选）。
   
6. 安装 git 并 克隆 代码仓库。
   
7. 启动 Jupyter Notebook。

1. Anaconda

如果你尚未安装 Anaconda 个人版，现在是时候安装了。这是一个非常便捷的起点，因为它包含了数据科学家开发和训练模型所需的大多数 Python 库。

请根据你的操作系统参考相应的安装指南：

• Windows
• macOS
• Linux

安装完 Anaconda 后，接下来创建独立的环境。

2. Conda（虚拟）环境

虚拟环境是一种将不同项目所使用的 Python 安装及其库相互隔离的便捷方式。

它本质上是对 Python 及其部分（或全部）库的一次复制。因此，你的电脑上最终会存在多个独立的 Python 安装。

它本质上是对 Python 及其部分（或全部）库的一次复制。因此，你的电脑上最终会存在多个独立的 Python 安装。

由于存在大量独立开发的 Python 库，每个库又有多个版本，而每个版本又依赖其他库的不同版本，很容易导致依赖冲突，使问题迅速失控。

由于存在大量独立开发的 Python 库，每个库又有多个版本，而每个版本又依赖其他库的不同版本，很容易导致依赖冲突，使问题迅速失控。

本文不深入探讨这些问题，但请相信我（或自行搜索了解），养成每个项目使用独立环境的习惯将大大受益。

首先，你需要为环境命名。我们将其命名为 pytorchbook（或其他便于记忆的名称）。然后，在 Ubuntu 上打开终端，或在 Windows/macOS 上打开 Anaconda Prompt，输入以下命令：

首先，你需要为环境命名。我们将其命名为 pytorchbook（或其他便于记忆的名称）。然后，在 Ubuntu 上打开终端，或在 Windows/macOS 上打开 Anaconda Prompt，输入以下命令：

如下所示：

1# 创建 conda 环境
2conda create -n pytorchbook anaconda

上述命令将创建一个名为 pytorchbook 的 conda 环境，并包含所有 Anaconda 包（此时可以去喝杯咖啡，安装过程可能需要一段时间）。若想了解更多关于创建和使用 conda 环境的信息，请查阅 Anaconda 的 管理环境 用户指南。

环境创建完成后，接下来需要激活它，即让该 Python 环境生效。在同一个终端（或 Anaconda Prompt）中输入：

1# 激活 conda 环境
2conda activate pytorchbook

你的命令行提示符应显示如下（Linux 系统）：

1# Linux 提示符
2(pytorchbook)$

或如下所示（Windows 系统）：

1# Windows 提示符
2(pytorchbook)C:\>

完成！你现在正在使用一个全新的 conda 环境。每次打开新终端时都需要重新激活该环境。如果你使用的是 Windows 或 macOS，可以直接打开对应的 Anaconda Prompt（此时会显示为 Anaconda Prompt (pytorchbook)），它会自动激活该环境。

3. PyTorch

PyTorch 是目前最受欢迎的深度学习框架，前提是你没有跳过前面的介绍。

它是“一个开源的机器学习框架，可加速从研究原型到生产部署的进程。” 听起来不错吧？其实到了这一步，我可能已经不需要再向你推荐了。

是时候安装这个主角了。我们可以直接访问其官网的 本地开始 页面，系统会自动为你本地环境推荐合适的选项，并给出对应的安装命令。

其中一些选项包括：

• PyTorch 构建版本：始终选择 Stable（稳定版）。
• 包管理工具：此处假设你使用 Conda。
• 语言：显然是 Python。

剩下两个选项是你的 操作系统 和 CUDA 支持。

使用 GPU / CUDA

CUDA 是 NVIDIA 开发的并行计算平台和编程模型，用于在图形处理器（GPU）上进行通用计算。

如果你的计算机配有 GPU（通常是 GeForce 显卡），就可以利用其强大的算力，显著加快深度学习模型的训练速度，远超 CPU 的性能。在这种情况下，你应该选择支持 CUDA 的 PyTorch 安装版本。

但这还不够。如果你尚未安装，还需要更新显卡驱动、CUDA Toolkit 以及 CUDA 深度神经网络库（cuDNN）。遗憾的是，CUDA 的详细安装说明超出了本课程的范围。

使用 GPU 的优势在于，你可以更快地迭代实验，尝试更复杂的模型和更广泛的超参数组合。

以我们为例，假设使用 Linux 系统，并希望安装 CUDA 10.2 版本。那么在激活环境后，需在终端运行以下命令：

1# 在 Linux 上安装 PyTorch
2(pytorchbook)$ conda install pytorch torchvision cudatoolkit=10.2 -c pytorch

仅使用 CPU

如果你没有 GPU，则应为 CUDA 选择“None”。

当然可以！本课程中的代码和示例设计时已考虑到所有读者的需求，确保大家都能顺利跟进。某些示例可能对计算资源要求稍高，但在 CPU 上也只需几分钟，不会耗时数小时。如果没有 GPU，不必担心。此外，当你需要临时使用 GPU 时，随时可以切换到 Google Colab！

如果我在 Windows 上且无 GPU，则需在 Anaconda Prompt (pytorchbook) 中运行以下命令：

1# 在 Windows 上安装 PyTorch
2(pytorchbook) C:\> conda install pytorch torchvision cpuonly -c pytorch

安装 CUDA
**CUDA**：为 GeForce 显卡安装驱动、NVIDIA 的 cuDNN 以及 CUDA Toolkit 可能较为复杂，具体步骤取决于你的显卡型号和操作系统。

安装 GeForce 驱动，请访问其 官网，选择你的操作系统和显卡型号，并按照说明进行安装。

安装 NVIDIA 的 CUDA 深度神经网络库（cuDNN），需在此 链接 注册。

安装 CUDA Toolkit，请根据你的操作系统选择本地安装程序或可执行文件。

macOS：如果你使用 macOS，请注意 PyTorch 的预编译包不支持 CUDA。这意味着如果你想使用 GPU，必须从源码编译安装 PyTorch，这一过程较为复杂。如不想如此麻烦，可参考此 链接 的说明，选择不启用 CUDA，依然可以顺利运行本课程的代码。

4. TensorBoard

TensorBoard 是 TensorFlow 的可视化工具包，“提供机器学习实验所需的可视化功能和工具。”

TensorBoard 功能强大，即使你使用 PyTorch 开发模型，也可以使用它。幸运的是，你无需安装完整的 TensorFlow，只需通过 conda 单独安装 TensorBoard。在激活环境后，在终端或 Anaconda Prompt 中运行以下命令即可：

1# 安装 TensorBoard
2(pytorchbook)$ conda install -c conda-forge tensorboard 

5. GraphViz 和 torchviz（可选）

GraphViz 是一款开源的图可视化软件，“可用于将结构化信息表示为抽象图和网络的示意图。”

我们需要安装 GraphViz 才能使用 TorchViz，这是一个简洁的工具包，可用于可视化模型结构。请参考此 链接 中针对你操作系统的安装说明。

如需进一步帮助，还可查阅 “如何安装 Graphviz 软件” 指南。

安装完 GraphViz 后，即可安装 torchviz 包。该包不在 Anaconda 发行版仓库 中，仅在 PyPI（Python 包索引）提供，因此需使用 pip install 安装。

再次打开终端或 Anaconda Prompt（激活环境后），运行以下命令：

1# 安装 torchviz
2(pytorchbook)$ pip install torchviz

可通过以下 Python 代码测试 GraphViz/TorchViz 是否安装成功：

1import torch
2from torchviz import make_dot
3v = torch.tensor(1.0, requires_grad=True)
4print(make_dot(v))

如果出现任何错误（如下图所示为常见错误），说明 GraphViz 安装仍有问题。

6. Git

在此指南中详细介绍版本控制及其最流行的工具 git 已超出范围。如果你已熟悉 git，那太好了，可直接跳过本节！

否则，建议你抽空学习一下，这对今后非常有帮助。目前，我仅介绍最基本的操作，以便你使用 git 克隆本课程的代码仓库，获得本地副本，自由修改和实验。

首先需要安装 git。前往其 下载页面，根据你的操作系统完成安装。安装完成后，打开一个新的终端或 Anaconda Prompt（可关闭之前的窗口）。在新终端中，你应该可以正常运行 git 命令。

要克隆本课程的仓库，只需运行：

1# 克隆仓库
2(pytorchbook)$ git clone https://github.com/dvgodoy/PyTorchStepByStep.git

该命令将创建一个名为 PyTorchStepByStep 的文件夹，其中包含 GitHub 仓库中的所有内容的本地副本。

conda install 与 pip install
尽管两者看似等效，但在使用 Anaconda 及其虚拟环境时，应优先使用 `conda install` 而非 `pip install`。

原因在于 conda install 能识别当前激活的虚拟环境，仅在该环境中安装包。而若使用 pip install，且当前环境未安装 pip，则会回退到 全局 pip，而这通常不是你想要的结果。

为何不行？回想前文提到的依赖管理问题？这就是原因！conda 安装器会管理其仓库内的所有包，并跟踪它们之间复杂的依赖关系（欲深入了解，请查看此 链接）。

想了解更多 conda 与 pip 的区别，可阅读 理解 Conda 与 Pip。

一般原则：优先尝试 conda install，若 conda 仓库中不存在该包（如 torchviz），再回退使用 pip install。

7. Jupyter

克隆仓库后，进入 PyTorchStepByStep 文件夹。在该目录下，只需在终端或 Anaconda Prompt 中启动 Jupyter：

1(pytorchbook)$ jupyter notebook

浏览器将自动打开，显示 Jupyter 主页，其中列出了仓库中的所有 Notebook 和代码文件。

继续前行

无论你选择上述三种环境中的哪一种，现在你都已经准备就绪，可以一步步开始构建你的第一个 PyTorch 模型了！