下载掌阅APP，畅读海量书库
立即打开
（1）在Miniconda官网打开主页面，单击Miniconda下的Installing Miniconda选项，如图2-1所示。
图2-1 Miniconda主页面
（2）然后单击页面右侧的Download the .exe installer.链接下载和安装最新版本的Mincoda，如图2-2所示。
图2-2 Miniconda下载页面
（3）我们可以直接单击页面上的下载链接，下载集成最新Python版本的Miniconda，如图2-3所示。从页面上可以看到，这个版本集成了Python 3.12.4。
图2-3 下载集成最新Python版本的Miniconda
（4）如果想使用以前的Python版本，例如Python 3.11，也是完全可以的，读者可以根据自己的操作系统选择下载。
（5）下载完成后，得到的是EXE文件，直接运行即可进入安装过程。安装完成后，出现如图2-4所示的目录结构，说明安装正确。
图2-4 Miniconda安装目录
在计算机桌面依次单击“开始”→“所有程序”→Miniconda3→Miniconda Prompt (Miniconda3)，打开Miniconda 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Miniconda中最常用的是conda命令，该命令可以执行一些基本操作，读者可以在Miniconda Prompt窗口中自行测试一下这个命令。
在Miniconda Prompt窗口中输入python，如果安装正确，会打印出Python版本号以及控制符号。在控制符号下输入代码：
print("hello")
输出结果如图2-5所示。
图2-5 Minicoda安装成功
使用Miniconda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。在本书中，我们将使用pip命令安装第三方类库。查看已安装的第三方类库的命令如下：
pip list
在Miniconda Prompt窗口输入pip list命令，结果如图2-6所示。
图2-6 列出已安装的第三方类库
在Miniconda中安装第三方类库的命令如下：
pip install name
这里的name是需要安装的第三方类库名，假设需要安装NumPy包（这个包已经安装过），那么输入的命令就是：
pip install numpy
这个安装过程略去，请读者自行尝试。使用Miniconda的好处就是默认已安装了大部分深度学习所需要的第三类库，这样避免了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程序的编写可以使用Windows自带的编辑器。但是这种方式对于较为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，建议使用专用的Python编译器PyCharm。
（1）进入PyCharm官网的Download页面，选择不同的版本，如图2-7所示，PyCharm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2-7 PyCharm免费的社区版
（2）下载PyCharm安装文件后，双击运行进入安装界面，如图2-8所示。直接单击Next按钮，采用默认安装即可。
图2-8 安装界面
（3）在安装PyCharm的过程中，需要对安装的参数进行选择，如图2-9所示，这里建议直接使用默认安装。
图2-9 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，单击该按钮即可安装完成，如图2-10所示。最后，将在桌面上显示一个PyCharm程序图标
，双击该图标即可运行PyCharm。
图2-10 PyCharm安装完成
（1）单击桌面上新生成的
图标进入PyCharm程序界面。由于是第一次启动PyCharm，需要接受相关的协议，在勾选界面下方的复选框后，单击Continue按钮，进行下一步操作。因为操作比较简单，这里就不截图了。
（2）进入PyCharm工程创建界面，创建新的项目，可以直接创建一个新项目（单击New Project按钮），或者打开一个已有的项目文件夹（单击Open按钮），如图2-11所示。
图2-11 PyCharm工程创建界面
（3）这里单击New Project按钮创建一个新项目。下面配置Python环境路径，填写好python.exe地址后（就是上一步安装的C:\miniconda3目录下的python.exe），单击Create按钮，将在PyCharm项目管理目录PycharmProjects下创建一个新项目，如图2-12所示。
图2-12 PyCharm新建文件界面
（4）对于创建的新项目，PyCharm默认提供了一个测试程序main.py，内容如图2-13所示。
图2-13 PyCharm工程运行界面
选中main.py，单击菜单栏中的Run|run…运行代码，或者直接右击main.py文件名，在弹出的快捷菜单中选择run命令。如果成功，将输出“Hi, PyCharm”，如图2-14所示。
图2-14 运行成功
至此，Python与PyCharm的配置就完成了。
对于Python科学计算来说，最直观的思路就是将数学公式直接转换为程序代码。幸运的是，Python完美地支持这一需求。本小节将使用Python实现并计算深度学习中最为常见的函数之一——softmax函数。关于该函数的具体作用，此处暂不详细展开，本节仅专注于其程序实现的编写。
softmax函数的计算公式如下：
其中， x i 表示输入向量 x 中的第 i 个元素， N 为数据总量，Σ表示求和符号，exp表示自然指数函数。
代入softmax的结果其实就是先对每一个 x i 进行以e为底的指数计算，变成非负；然后除以所有项之和进行归一化；之后每个 x i 就可以解释成在观察到的数据集类别中，特定的 x i 属于某个类别的概率，或者称作似然（Likelihood）。
softmax函数用于解决概率计算中概率结果大而占绝对优势的问题。例如，函数计算结果中有两个值 a 和 b ，且 a > b ，如果简单地以值的大小为单位进行衡量，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函数就可以解决这个问题。
softmax函数按照概率选择 a 和 b ，由于 a 的概率值大于 b ，因此在计算时 a 经常会被取得，而 b 由于概率较小，因此取得的可能性也较小，但是有概率被取得。
softmax函数的代码如下：
可以看到，当传入一个数列后，分别计算求出每个数值所对应的指数函数值，之后将其相加，再计算每个数值在数值和中的概率。例如：
a = numpy.array([[1,2,1,2,1,1,3]])
请读者自行验证代码结果。