Python開發環境的安裝與配置；

使用PyCharm進行程序的開發與調試；

今天，我們再來介紹如何在PyCharm中配置深度學習環境，并在後續章節中通過實例來演示深度學習在圖像處理方面的應用。雖然Python平台下有許多深度學習框架，如TensorFlow、Keras、Theano以及Mxnet等，不過老碼農還是喜歡使用PyTorch，本文就以PyTorch為例進行配置。

PyTorch的前身是Torch，使用Lua語言開發，Torch是一個基于BSD License的開源科學計算框架，最初版本于2002年發布，廣泛應用于機器學習領域，受益于Lua語言的特性，它即簡單易用又高效，為了提高性能，底層使用C/CUDA實現。其的核心特性如下：

1. 功能強大的N維數組，也稱之為張量；
2. 為數組索引、切片、轉置等操作提供了多種方法；
3. 通過LuaJIT提供了一個非常好的C語言接口；
4. 線性代數支持程序；
5. 神經網絡與基于能量的模型；
6. 數學優化程序；
7. 快速高效的GPU支持；
8. 可嵌入IOS和Android後台。

PyTorch的前身Torch

PyTorch複用了Torch的底層框架，使用Python重新改寫了很多功能，使得PyTorch更加靈活。它最初于2017年1月，由Facebook FAIR（臉書人工智能研究院）推出，現在的最新版本已經升級到1.5，除了提供Python接口外，它還提供C 接口，使用戶可以通過更高效的C 語言來調用訓練好的PyTorch模型。目前PyTorch即可以運行于支持CUDA的GPU，也可以直接在CPU運行（當然，速度會慢很多）。

PyTorch的設計追求最少的封裝，它的設計遵循張量->自動求導->模型三個由低到高的抽象層次，這三層之間緊密聯系，這種簡潔的設計使得該庫易于學習和使用。PyTorch的源碼隻有TensorFlow的十分之一左右，但是PyTorch的簡潔不以速度為代價，在許多評測中，同樣的算法，PyTorch的速度表現都勝過了其它框架。個人認為，PyTorch框架是衆多機器學習框架中設計最優雅的一個。

CUDA（Compute Unified Device Architecture）是著名顯卡廠商英偉達推出的一套并行計算架構，該架構充分利用GPU的并行特性，能夠高效的解決許多複雜的計算問題，開發人員可以使用C/C ，FORTRAN等多種語言編寫CUDA程序，目前CUDA已經被廣泛的用于處理計算量巨大的複雜問題，特别是以神經網絡為基礎的深度學習領域。

支持并行計算的CUDA

在安裝CUDA之前确保系統已經安裝支持CUDA開發的GPU及其驅動，在Windows下可以通過設備管理器查看當前系統安裝的GPU型号，然後可以根據型号查看該GPU對CUDA的支持情況，如下圖：

通過設備管理器查看顯卡類型

在确認支持CUDA後，可以搜索也可以直接輸入網址打開CUDA工具包頁面，這裡有相關工具的介紹，見下圖：

CUDA開發包

點擊CUDA Toolkit下面的下載按鈕進入下載頁面，根據自己的軟硬件平台選擇合适的選項，如下圖：

選擇CUDA版本

默認情況下會下載最新的10.2版本，如果想下載其它版本可選擇Legacy Releses按鈕進入曆史版本頁面，如下圖：

CUDA曆史版本

選擇需要的版本，将進入與最新版本類似的下載選項頁面，下載完成後，打開安裝包，根據根據提示完成安裝即可。

PyTorch中有大量的numpy數組操作，所以在安裝PyTorch之前需要先安裝numpy，此外在實際應用中根據數據分析的需要，一般還會安裝如scipy、pandas、matplotlib等庫，在本示例中我們就一并安裝。打開windows命令行窗口（linux是終端，命令略有差别），輸入命令如下圖：

安裝Numpy等庫

因為numpy已經安裝，所以直接跳過。Scipy庫因為沒有安裝需要下載，老碼農百兆寬帶，下載速度卻隻能可憐以kb計，關鍵是有時候還會出錯，為了解決這個問題，在網上找到了國内的鏡像服務器，輸入命令如下圖：

使用高内鏡像下載

這次速度快了很多，一會兒就下載完成并安裝成功，見下圖:

依賴庫安裝成功

依賴庫安裝成功，準備工作就緒，正式開始PyTorch安裝，打開PyTorch官網，如下圖：

PyTorch官網安裝頁面

選擇1.5穩定版，喜歡嘗鮮的小夥伴也可以選擇預覽版（不穩定，存在潛在問題），選擇系統、安裝方式、編程語言、CUDA版本後，會在最下方給出運行命令，正常情況下隻需要将該命令複制并在終端窗口執行即可完成安裝。

不幸的是，上面官方給出的安裝方式，對于國内的廣大用戶來說，存在下載速度太慢，甚至無法安裝的問題，老碼農在不同地方嘗試都會出現下面問題（翻牆是一種解決辦法），見下圖：

直接使用官方安裝方式會出錯

針對這一問題，老碼農找到了一個有效的解決辦法，打開上面命令最後的網址，會看到如下圖内容：

PyTorch安裝文件列表

這裡顯示的是所有可用版本的輪子文件列表，在這裡選擇自己需要的版本，然後通過右鍵複制鍊接，再通過一些下載工具來下載，比如老碼農使用迅雷來下載，很快就能完成。在這裡需要注意的是，除了要下載PyTorch的輪子文件外，如果是做圖像處理方面的應用，需要一并下載TorchVision的輪子文件，安裝方式與PyTorch安裝類似。

關于文件命名做個簡要說明，見下圖：

文件命名規則

文件名主要包含四個關鍵信息，依次是CUDA版本、PyTorch版本、Python版本和系統架構，TorchVision的命名與此類似。

下載完成後，直接通過輪子文件安裝，會非常高效，安裝完成後會得到如下結果：

PyTorch安裝成功

CPU版PyTorch安裝與GPU版類似，不同的是CPU版不需要GPU支持，所以在沒有GPU顯卡的系統也可以運行，也不需要安裝CUDA開發包，此外在選擇CUDA版本的時候選擇None即可，見下圖：

CPU版PyTorch安裝選項

在安裝完成之後，測試一下PyTorch是否能正常工作，在命令行窗口依次輸入如下圖的命令：

測試PyTorch是否安裝成功

如果能看到類似上面的輸出結果（這裡生成的是一個随機的4x5張量，所以每個人的輸出結果會各不相同），那麼恭喜你，PyTorch已經安裝完畢，可以開始深度學習相關的開發了。

打開PyCharm，輸入類似上面的測試代碼，并運行程序，如果運行成功，那麼恭喜你。不過有些小夥伴可能會出現如下錯誤：

PyCharm中出現錯誤

其實這個錯誤的原因很簡單，雖然我們已經安裝了PyTorch庫，但是PyCharm并不知道，所以需要在PyCharm中導入這些内容，可以通過菜單File->Setting->Project->Project Interpreter設置，見下圖：

解釋器設置

點擊紅框中的 号，會出現下面的包管理頁面：

包管理器

左側是可用的有效包列表，因為此處列出的包過多，可以通過紅框1出輸入包名搜索，選中需要的包後，右側會出現描述信息，同時可以在紅框2處指定想要安裝的版本号和特殊選項。最後點擊紅框3出的按鈕安裝包即可。

再次測試，出現如下結果：

PyCharm中測試成功

至此，我們已經可以在PyCharm中使用PyTorch進行深度學習相關的開發。雖然PyTorch是一個優秀的開發框架，但是要想靈活高效的使用它，還需要不斷的學習和實踐。

在下一篇文章中，老碼農準備通過一個實例程序來演示使用PyTorch進行圖像處理方面的深度學習應用開發，敬請期待。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!