2025/2/4 预备课：初识深度学习，进行环境配置

• 李哥推荐—obs录屏软件—好用

• 我在大学时期电脑录屏短的直接用QQ，长视频我用 FScapture7.2 中文绿色特别版

• 补充一个，Typora笔记如何去除英文下面的红色波浪线，https://blog.csdn.net/2301_77836489/article/details/139027369

• pycharm是最推荐的新手入门深度学习idle软件。

• 但是深度学习需要安装很多包， 比如pytorch等。 有的任务需要的环境或者包的版本不同， 因此就需要你有不同的环境， anaconda就是做这样一件事情的。 它可以管理不同的环境。

1.环境配置步骤

1.安装pycharm(推荐专业版。 因为需要画图， 将来你可能还需要连接服务器。官网下载。 我推荐2022.1.3. 或者更早的2021年的，早期的破解更容易点。)，破解它,再设置为中文版(选择中文插件)

2.anaconda安装

3.创建深度学习环境

搜素并进入anaconda prompt

conda create -n huang_3_8 python=3.8

输入上面代码创建一个环境。 我比较喜欢3.8的环境 。 稳定一些，bug少。

这里的huang_3_8是我自己起的名字 ，黄是我的姓， 3_8表示python版本，这个随便起。 只是个人习惯

遇到Y/N这种提示 就是问你确定吗的意思 输入Y回车即可。

最后可能会问你要不要装VSCODE 看你个人意愿，我是不装的。

进入刚才创建的环境。 以后所有的项目都要选择你需要的环境!!!!! 也就是确保前缀是下面这个

conda activate huang_3_8 

4.在pycharm中选择深度学习环境

在pycharm安装conda环境解释器。 右下角解释器设置。

5.安装torch等环境

输入， 查看显卡。

nvidia-smi

我现在的电脑是4060的，有些包如果下载的慢的话，可以尝试换源(比如豆瓣源，清华的镜像)

2.什么是深度学习？

深度学习是一种机器学习的分支，主要基于人工神经网络的构建和训练。这一领域的主要目的是通过模仿人类大脑的方式，来处理和分析大量的数据，以实现自我学习和自动特征提取。例如最近比较火的deep seek我觉得就是一种关于深度学习的软件。

深度学习的核心概念：

1. 神经网络：

   • 深度学习模型通常是由多个层次组成的神经网络。每一层由多个神经元（节点）构成，这些神经元通过权重连接到前一层的输出。

2. 深度：

   • 深度学习中的“深度”通常指的是神经网络中隐藏层的数量。网络越深，可以学习和表达的复杂特征就越多。

3. 自动特征提取：

   • 与传统机器学习方法需要手动提取特征不同，深度学习可以从原始数据中自动提取和学习特征，从而减少数据预处理的工作量。

4. 大规模数据和计算能力：

   • 深度学习通常需要大量的数据进行训练，而且对于模型的训练，要求强大的计算能力（例如使用图形处理单元 GPUs）。

深度学习的应用：

深度学习在各个领域有着广泛的应用，包括但不限于：

• 计算机视觉：如图像分类、目标检测、图像生成等。

• 自然语言处理：如机器翻译、情感分析、问答系统等。

• 语音识别：自动转录和语音助手。

• 推荐系统：根据用户行为推荐个性化内容。

深度学习的主要框架：

一些常用的深度学习框架包括：

• TensorFlow：由谷歌开发的开源框架，适合训练和部署深度学习模型。

• PyTorch：由脸书开发的深度学习库，提供灵活的动态计算图，非常适合研究和开发。

• Keras：一个用于构建深度学习模型的高层API，能够与TensorFlow和其他后端框架兼容。

3.CUDA的基本概念和功能

‌CUDA（Compute Unified Device Architecture）是由NVIDIA公司开发的一种通用并行计算平台和编程模型，旨在利用GPU（图形处理单元）的强大计算能力进行通用计算‌

CUDA允许开发者使用C、C++、Fortran等语言编写程序，将计算任务分配给GPU执行，而不是仅限于CPU。它提供了一种编程模型和工具集，使得非图形领域的应用程序能够利用GPU进行加速。CUDA的核心功能包括：

• ‌并行处理‌：CUDA将计算任务划分为更小的部分，这些部分可以在不同的GPU核心上同时执行，从而加快计算速度。

• ‌线程和块‌：CUDA编程模型以线程为基本单位，多个线程按块和网格的结构组织，可以同时在GPU上并行运行。

• ‌内存管理‌：GPU拥有多种类型的内存，开发者需要优化内存访问策略以提高程序性能。

CUDA的应用领域和优势

CUDA被广泛应用于科学计算、机器学习、图像和视频处理、金融建模、物理仿真、基因组学等领域。其优势包括：

• ‌并行计算加速‌：GPU拥有大量的计算核心，可以在同一时间内执行成千上万个计算任务，尤其在处理大规模并行计算时远远超过CPU的性能。

• ‌性能提升‌：CUDA能够充分利用GPU的高并行度和高速内存，极大地提升计算效率。

• ‌广泛应用‌：CUDA被广泛应用于需要高计算性能的领域，拥有丰富的工具集和库来简化编程。