下载掌阅APP，畅读海量书库
立即打开
前面我们从整体上认识了深度学习主要内容和应用领域，明确了为什么学和怎么用的问题。在开始正式学习各种算法和模型之前，需要做一些准备工作。在本节中，我们先来介绍一下所涉及的技术栈，关于开发环境搭建的更多问题，会在第3章进行更详细的讲解。工欲善其事，必先利其器，不要小瞧这些内容，很多刚入门的读者，在这个地方会遇到各种问题。
深度学习的编程语言首选Python，这个是毋庸置疑的。目前TIOBE编程语言排行榜上，Python排名仍然位列第一。除了代码简洁优雅，主要是因为Python的生态良好，有强大的自带标准库和大量的第三方支持库，比如对科学计算以及深度学习框架（像耳熟能详的TensorFlow、PyTorch等）都有着良好的支持。
流行的深度学习框架包括谷歌的TensorFlow、Meta的PyTorch以及百度研发的飞桨（PaddlePaddle）等。高度可定制性和可扩展性使它们成为当前广受欢迎的框架。几年之前，流行的框架当属TensorFlow，不过PyTorch在近几年实现了全方位的超越。在开源库Hugging Face上，85%的模型只能在PyTorch上使用。
此外，在很多学术顶会上，比如EMNLP、ACL、ICLR三家AI顶会，PyTorch也是遥遥领先，其占比已经超过80%。为此本书采用PyTorch框架，让大家能够无障碍地上手大部分开源项目。
在代码实现环节，我们将采用当前比较主流的数据集，除了入门级的MNIST，还有牛津大学的Flowers102数据集、Twenty Newsgroups新闻分类数据集等。在第8章，我们会用pandas加载金融数据进行预测。在《破解深度学习（核心篇）：模型算法与实现》中，我们会介绍知名竞赛网站Kaggle上的数据集，还将带领大家了解NLP预训练模型竞赛排行榜中的打榜数据集GLUE。我们选取的都是比较有代表性的数据集，这些都将是你在未来学习实验、参加竞赛甚至工作中会用到的。
本书使用的代码编辑器为Jupyter Notebook。它是一个非常易用、基于网页的交互式编辑器，不仅可以执行代码，还可以同时编写文档。Jupyter Notebook支持Markdown语法，支持使用LaTeX编写数学公式，以便边学习边做笔记，与他人共享。
它还有个优点是代码块可以按行执行。在算法学习中，我们经常需要修改参数，使用Jupypter Notebook可以无须重新执行整个代码文件，而只需执行修改的那行代码，非常方便快捷。
我们在着手解决更为复杂的实际问题时，经常需要编写多文件的复杂代码。在这种情况下，Jupyter Notebook可能就不足以支持了。此时，我们推荐使用两款功能丰富的Python集成开发环境（IDE）：PyCharm和Visual Studio Code。这两者都可从官网直接下载。
对于PyCharm，虽然它提供了Professional（专业版）和Community（社区版）两种版本，不过对大多数用户而言，免费的社区版已经足够满足日常开发需求。
“战场”搭建好会为后续学习奠定坚实的基础。这部分的内容不难，但是需要一点耐心。除了本节介绍的内容，后面我们还会在第3章用整章篇幅具体讲解CUDA和Anaconda深度学习环境配置、conda实用命令、Jupyter Notebook快速上手秘籍和PyTorch的安装教程。
到这里，相信大家已经对本书有了大致的了解。在正式深入学习之前，我们先来回顾一下相关的数学知识，这一步非常重要。读者如果已经有扎实数学基础，那么可以选择跳过第2章。如果你感觉自己的数学基础有所欠缺，或者对许多内容已经遗忘，也不必担心，我们会用简明易懂的方式详细解释所有必要的知识点，以帮助你迅速补齐“短板”。