下载掌阅APP，畅读海量书库
立即打开
对于初学者，尤其是自学的情况下，搭建适合自己的开发环境是非常必要的。本节介绍如何搭建基于PyTorch 1.9的深度学习开发环境，包括安装Python 3.10，以及Jupyter Lab等工具。
本书中使用的Python版本是截至2021年10月份的新版本（即Python 3.10.0）。下面介绍其具体的安装步骤，安装环境是Windows 11家庭版64位操作系统。
Python需要安装包到计算机磁盘根目录或英文路径文件夹下，即安装路径不能有中文。
首先需要下载Python 3.10.0，官方网站的下载地址如图1-3所示。
图1-3 下载Python软件
右击python-3.10.0-amd64.exe，选择“以管理员身份运行”，如图1-4所示。
图1-4 运行安装程序
打开Python 3.10.0安装界面，勾选Add Python 3.10 to PATH，然后单击Customize installation，如图1-5所示。
图1-5 自定义安装
根据需要选择自定义的选项，其中pip必须勾选，然后单击Next按钮，如图1-6所示。
图1-6 功能选项
选择软件安装位置，默认安装在C盘，单击Browse按钮可更改软件的安装目录，然后单击Install按钮，如图1-7所示。
图1-7 高级选项
稍等片刻，出现Setup was successful对话框，说明正常安装，单击Close按钮即可，如图1-8所示。
图1-8 安装结束
在命令提示符中输入“python”后，如果出现如图1-9所示的信息，即Python版本信息，则说明安装没有问题，可以正常使用Python。
图1-9 查看版本信息
在Python中可以使用pip与conda工具安装第三方库（如NumPy、Pandas等），命令如下：
pip install 库的名称 conda install 库的名称
此外，如果无法正常在线安装第三方库，可以下载新版本的离线文件，然后再安装，适用于Python扩展程序包的非官方Windows二进制文件如图1-10所示。
图1-10 非官方扩展程序包
Jupyter Lab是Jupyter Notebook的新一代产品，它集成了更多功能，是使用Python（R、Julia、Node等其他语言的内核）进行代码演示、数据分析、数据可视化等的很好的工具，对Python的愈加流行和在AI领域的领导地位有很大的推动作用，它是本书默认使用的代码开发工具。
Jupyter Lab提供了较好的用户体验，例如可以同时在一个浏览器页面打开编辑多个Notebook、IPython Console和Terminal终端，并且支持预览和编辑更多种类的文件，如代码文件、Markdown文档、JSON文件和各种格式的图片等，可以极大地提升工作效率。
Jupyter Lab的安装比较简单，只需要在命令提示符（CMD）中输入“pip install jupyterlab”命令即可，它会继承Jupyter Notebook的配置，如地址、端口、密码等。启动Jupyter Lab的方式也比较简单，只需要在命令提示符中输入“jupyter lab”命令即可。
Jupyter Lab程序启动后，浏览器会自动打开编程窗口，如图1-11所示。可以看出，Jupyter Lab左边是存放笔记本的工作路径，右边就是我们需要创建的笔记本类型，包括Notebook和Console等。
图1-11 Jupyter Lab界面
可以对Jupyter Lab的参数进行修改，如远程访问、工作路径等，配置文件位于C盘系统用户名下的。jupyter文件夹中，文件名称为jupyter_notebook_config.py。
如果配置文件不存在，就需要自行创建，在命令提示符中输入“Jupyter Notebook--generate-config”命令生成配置文件，还会显示出文件的存储路径及名称。
如果需要设置密码，则在命令提示符中输入“Jupyter Notebook password”命令，生成的密码存储在jupyter_notebook_config.json文件中。
如果需要允许远程登录，则需要在jupyter_notebook_config.py中找到下面的几行，取消注释并根据项目的实际情况进行修改，修改后的配置如下：
c.NotebookApp.ip = '*' c.NotebookApp.open_browser = False c.NotebookApp.port = 8888
如果需要修改Jupyter Lab的默认工作路径，找到下面的代码，取消注释并根据项目的实际情况进行修改，修改后的配置如下：
c.NotebookApp.notebook_dir = u'D:\\轻松学会PyTorch人工智能深度学习应用开发'
上述配置参数修改后，需要关闭并重新启动Jupyter Lab才能生效。
2021年11月初，PyTorch团队发布了1.10版本，该版本整合了自2021年10月1.9版本发布以来的3400多次代码提交与完善，由426位贡献者完成。
PyTorch 1.10集成了CUDA Graphs API以减少CUDA工作负载的CPU开销，支持FX、torch.special和nn.ModuleParametrization等几个前端API。除了GPU外，JIT Compiler中对自动融合的支持也扩展到CPU，且已支持Android NNAPI。
我们可以到PyTorch的官方网站（https://pytorch.org/）下载软件，有两种版本可以选择，分别为CPU版和GPU版，如果安装系统中有NVIDIA GPU，或者有AMD ROCm，那么推荐安装GPU版本，因为对于大数据量的计算，GPU环境比CPU环境要快很多。
例如，求N×N维的二维矩阵的逆矩阵，当N很小时，在CPU和GPU两种环境下花费的时间差异不大，但是随着N的增加，GPU环境下的耗时变化不大，而CPU环境下却呈现直线上升，如图1-12所示。
图1-12 CPU和GPU两种环境下的效率比较
虽然在CPU环境下模型的训练非常缓慢，但是为了简化现场部署PyTorch模型，以及降低深度学习的学习门槛，以利于框架本身的推广，因此现在大部分厂家生产的笔记本都可以安装PyTorch深度学习框架。
PyTorch可以安装在Windows、Linux、Mac等系统中，可以使用Conda、Pip等工具进行安装，可以运行在Python、C++、Java等语言环境下，如图1-13所示。
图1-13 下载PyTorch
其中，使用Pip工具的安装命令如下：
pip3 install torch torchvision torchaudio
由于PyTorch软件较大，如果网络环境不是很稳定，可以先到网站上下载对应版本的离线文件。
此外，在安装PyTorch时，很多基于PyTorch的工具集，如处理音频的torchaudio、处理图像视频的torchvision等都有一定的版本限制。
在安装GPU版本的PyTorch时，需要先到NVIDIA的官方网站查看系统中的显卡是否支持CUDA，再依次安装显卡驱动程序、CUDA10和cuDNN，最后安装PyTorch。
1）安装显卡驱动程序，到NVIDIA的官方网站（https://www.nvidia.com/drivers）下载系统中的显卡所对应的显卡驱动程序并进行安装，如图1-14所示。
图1-14 下载显卡驱动程序
2）安装CUDA，登录网站（https://developer.nvidia.com/cuda-downloads），单击右下角的Legacy Releases按钮下载CUDA，如图1-15所示。
图1-15 CUDA下载页面
选择CUDA Toolkit 10.0版本，如图1-16所示。
图1-16 选择CUDA安装版本
选择Windows 10的安装包，下载并进行安装，如图1-17所示。
图1-17 下载CUDA安装包
3）安装cuDNN，登录网站（https://developer.nvidia.com/rdp/cudnn-download）下载cuDNN for CUDA 10.0 Windows 10版本，并进行解压缩，如图1-18所示。
图1-18 下载cuDNN安装包
接下来，从cuDNN的解压缩目录复制3个文件到CUDA的安装目录，步骤如下：
把<cuDNN解压缩目录>下的文件\cuda\bin\cudnn64_7.dll复制到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\bin目录下。
把<cuDNN解压缩目录>下的文件\cuda\include\cudnn，h复制到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\include目录下。
把<cuDNN解压缩目录>下的文件\cuda\lib\x64\cudnn，lib复制到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\lib\x64目录下。
4）安装PyTorch GPU版的软件包：
pip install torch==1.9.1+cu100 torchvision==0.10.1+cu102 torchaudio=== 0.9.1 -f https://download.Pytorch.org/whl/torch_stable.html