下载掌阅APP，畅读海量书库
立即打开
Python是深度学习的首选开发语言，很多第三方提供了集成大量科学计算类库的Python标准安装包，最常用的是Anaconda。
Python是一个脚本语言，如果不使用Anaconda，那么第三方库的安装会比较困难，各个库之间的依赖性就很难连接得很好。因此，这里推荐安装Anaconda来替代Python。
第一步：下载和安装
Anaconda官方下载页面如图1.6所示，不推荐，请继续读下去。
图1.6 Anaconda下载页面
图1.7 清华大学Anaconda镜像网站提供的副本
目前提供的是集成了Python 3.7版本的Anaconda下载，如果读者目前使用的是Python 3.6也是完全可以的，笔者经过测试，无论是3.7还是3.6版本的Python，都不影响TensorFlow 2.1的使用。读者可以根据自己的操作系统选择下载。
（1）笔者推荐使用Windows平台Python 3.6的版本，当然读者可根据自己的喜好选择。集成Python 3.6版本的Anaconda可以在清华大学Anaconda镜像网站下载，地址为https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/，打开后如图1.7所示。
如果读者是64位操作系统，选择以Anaconda3开头、以64结尾的安装文件，不要下载错了。
（2）下载完成后得到的文件是EXE版本，直接运行即可进入安装过程。安装完成以后，出现如图1.8所示的目录结构，说明安装正确。
图1.8 Anaconda安装目录
第二步：打开控制台
图1.9 验证Anaconda Python安装成功
之后依次单击：开始→所有程序→Anaconda3→Anaconda Prompt，打开Anaconda Prompt窗口，它与CMD控制台类似，输入命令就可以控制和配置Python。在Anaconda中最常用的是conda命令，该命令可以执行一些基本操作。
第三步：验证Python
接下来在控制台中输入python，如安装正确，会打印出版本号以及控制符号。在控制符后输入代码：
print("hello Python")
结果如图1.9所示。
第四步：使用conda命令
使用Anaconda的好处在于，它能够很方便地帮助读者安装和使用大量第三方类库。查看已安装的第三方类库的代码如下：
conda list
如果此时命令行还在>>>状态，可以输入exit()退出。
在Anaconda Prompt控制台输入conda list代码，结果如图1.10所示。
Anaconda中使用conda进行操作的方法还有很多，其中最重要的是安装第三方类库，命令如下：
conda install name
这里的参数name表示需要安装的第三方类库名，例如当需要安装NumPy包（这个包已经安装过）时，输入的命令如下，结果如图1.11所示。
conda install numpy
图1.10 列出已安装的第三方类库
图1.11 举例自动获取或更新依赖类库
使用Anaconda一个特别的好处就是默认安装好了大部分学习所需的第三方类库，这样可以避免使用者在安装和使用某个特定类库时可能出现的依赖类库缺失的情况。
和其他语言类似，Python可以使用Windows自带的控制台进行程序编写，但是这种方式对于比较复杂的程序工程来说，容易混淆相互之间的层级和交互文件。因此，在编写程序工程时，笔者建议使用专用的Python编译器PyCharm。
第一步：PyCharm的下载和安装
下面介绍详细的PyCharm下载与安装步骤。
（1）进入PyCharm官网的Download页面后可以选择不同的版本，如图1.12所示，有收费的专业版和免费的社区版。这里建议读者选择免费的社区版即可。
图1.12 PyCharm的免费版
（2）双击运行后进入安装界面，如图1.13所示。直接单击Next按钮，采用默认安装即可。
（3）如图1.14所示，在安装PyCharm的过程中需要对安装的位数进行选择，这里建议读者选择与已安装的Python相同位数的文件。
图1.13 PyCharm的安装文件
图1.14 PyCharm的配置选择（按个人真实情况选择）
（4）安装完成后出现Finish按钮，单击该按钮完成安装，如图1.15所示。
图1.15 PyCharm安装完成
图1.16 PyCharm启动定位
第二步：使用PyCharm创建程序
（1）单击桌面上新生成的
图标进入PyCharm程序界面，首先是第一次启动的定位，如图1.16所示。这里是对程序存储的定位，一般建议选择第2个：由PyCharm自动指定即可。之后单击OK按钮，完成初始化定位设定。
（2）然后进入PyCharm配置界面，如图1.17所示。
图1.17 PyCharm配置界面
（3）在配置区域可以选择自己的使用风格，如果对其不熟悉的话，直接单击OK按钮，使用默认配置即可。
（4）最后就是创建一个新的工程，如图1.18所示。
图1.18 PyCharm工程创建界面
这里，建议新建一个PyCharm的工程文件，结果如图1.19所示。
图1.19 新建文件
图1.20 PyCharm工程创建界面
之后右击新建的工程名PyCharm，选择New|Python File菜单新建一个helloworld文件，输入如图1.20所示的代码。
单击菜单栏的Run|run…运行代码，或者直接右击helloworld.py文件名，在弹出的快捷菜单中选择run。如果成功输出hello world，那么恭喜你，Python与PyCharm的配置就完成了。
对于Python科学计算来说，最简单的想法就是可以将数学公式直接表达成程序语言，可以说，Python满足了这个想法。本小节将使用Python实现一个深度学习中最常见的函数——softmax函数。至于这个函数的作用，现在不加以说明，笔者只是带领读者尝试实现其程序的编写。
softmax计算公式如下：
其中 V i 是长度为 j 的数列 V 中的一个数，代入softmax的结果实际上就是先对每一个 V i 计算以e为底 V i 为幂次项的值，然后除以所有项之和进行归一化，之后每个 V i 就可以解释成：在观察到的数据集类别中，特定的 V i 属于某个类别的概率，或者称作似然（Likelihood）。
softmax用以解决概率计算中概率结果大而占绝对优势的问题。例如，函数计算结果中的两个值a和b，且a>b，如果简单地以值的大小为单位衡量的话，那么在后续的使用过程中，a永远被选用，而b由于数值较小而不会被选择，但是有时也需要使用数值小的b，softmax就可以解决这个问题。
softmax按照概率选择a和b，由于a的概率值大于b，在计算时a经常会被取得，而b由于概率较小，取得的可能性较小，但是也有概率被取得。
公式softmax的代码如下：
【程序1-1】
可以看到，当传入一个数列后，分别计算每个数值所对应的指数函数值，之后将其相加，计算每个数值在数值和中的概率。
a = numpy.array([[1,2,1,2,1,1,3]])
结果如下：
[[ 0.05943317 0.16155612 0.05943317 0.16155612 0.05943317 0.05943317
0.43915506]]