1. 项目概述动手学深度学习v2环境搭建《动手学深度学习》作为全球范围内广受欢迎的AI教材其第二版(v2)在内容深度和框架支持上都有显著升级。这套教材最突出的特点是可运行的教科书理念——每个章节都配有可执行的Jupyter Notebook代码让读者能够在实践中掌握深度学习核心概念。李沐博士作为该书主要作者之一其配套教学视频更是将抽象的理论转化为直观的操作演示。对于刚接触深度学习的开发者而言正确配置开发环境是实践的第一步。本文将详细介绍如何在本地计算机上搭建《动手学深度学习v2》的完整开发环境涵盖PyTorch框架安装、Jupyter Notebook配置以及教材代码库的获取。我们特别关注Windows、macOS和Linux三大平台的环境配置差异并提供详细的排错指南。2. 环境准备与工具选型2.1 硬件需求分析深度学习对计算资源有一定要求但《动手学深度学习v2》的示例代码经过优化可在主流配置的计算机上运行最低配置CPUIntel i5或同等性能内存8GB存储10GB可用空间用于安装开发环境和数据集推荐配置GPUNVIDIA GTX 1060及以上支持CUDA内存16GB或更高存储SSD硬盘至少20GB可用空间注意虽然部分示例可以在CPU上运行但建议配备NVIDIA显卡以获得更好的训练体验。AMD显卡目前对PyTorch的ROCm支持有限可能遇到兼容性问题。2.2 软件栈选择教材支持多种深度学习框架我们推荐使用PyTorch作为主要学习框架核心组件 - Python 3.8/3.9最新3.10可能存在部分库兼容性问题 - PyTorch 1.12带CUDA支持如果可用 - torchvision/torchtext/torchaudio配套库 - Jupyter Lab 3.0交互式编程环境 - d2l库教材配套工具包3. 分步安装指南3.1 Python环境配置建议使用Miniconda管理Python环境避免系统Python环境被污染# 下载并安装Miniconda以Linux为例 wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh # 创建专用环境 conda create -n d2l python3.9 -y conda activate d2lWindows用户应注意安装时勾选Add to PATH选项使用Anaconda Prompt执行后续命令可能需要手动安装Visual C Redistributable3.2 PyTorch安装根据是否使用GPU选择安装命令# GPU版本需CUDA 11.3 conda install pytorch torchvision torchaudio cudatoolkit11.3 -c pytorch # CPU版本 conda install pytorch torchvision torchaudio cpuonly -c pytorch验证安装import torch print(torch.__version__) # 应显示1.12.0或更高 print(torch.cuda.is_available()) # GPU可用性检查3.3 教材代码库获取克隆教材官方仓库并安装依赖git clone https://github.com/d2l-ai/d2l-zh.git cd d2l-zh pip install -r requirements.txt pip install d2l0.17.6 # 配套工具包4. 开发环境配置4.1 Jupyter Notebook优化为提升使用体验建议进行以下配置# 生成配置文件 jupyter notebook --generate-config # 安装插件 pip install jupyter_contrib_nbextensions jupyter contrib nbextension install --user推荐启用的扩展Table of Contents目录导航Codefolding代码折叠ExecuteTime代码执行时间显示4.2 VS Code集成可选对于习惯使用IDE的开发者安装Python和Jupyter插件设置Python解释器路径为conda环境创建launch.json配置{ configurations: [ { name: Python: Current File, type: python, request: launch, program: ${file}, console: integratedTerminal, args: [--matplotlibinline] } ] }5. 常见问题排查5.1 CUDA相关错误症状CUDA driver version is insufficient for CUDA runtime version解决方案检查NVIDIA驱动版本nvidia-smi确保驱动版本 ≥ CUDA Toolkit要求或降级PyTorch到匹配版本5.2 内核崩溃问题症状运行单元格后内核意外死亡可能原因内存不足尝试减小batch_size库版本冲突使用conda list检查损坏的环境重建conda环境5.3 可视化问题Matplotlib中文显示异常解决方案import matplotlib.pyplot as plt plt.rcParams[font.sans-serif] [SimHei] # Windows plt.rcParams[font.sans-serif] [Arial Unicode MS] # macOS plt.rcParams[axes.unicode_minus] False6. 云端开发环境备选方案对于本地资源不足的用户可以考虑Google Colab免费提供GPU资源直接打开教材提供的Colab链接Amazon SageMaker Studio Lab免费CPU/GPU资源持久化存储空间配置示例# Colab中安装特定版本PyTorch !pip install torch1.12.0cu113 torchvision0.13.0cu113 -f https://download.pytorch.org/whl/torch_stable.html !pip install d2l0.17.67. 学习路径建议完成环境配置后建议按以下顺序学习线性神经网络第3章多层感知机第4章卷积神经网络第6-7章循环神经网络第8-9章每个章节应先阅读理论部分运行并理解示例代码尝试修改超参数观察效果完成章节末练习题对于希望深入研究的读者可以复现论文中的模型参加Kaggle相关比赛贡献代码到开源项目
动手学深度学习v2环境搭建指南：PyTorch与Jupyter配置
1. 项目概述动手学深度学习v2环境搭建《动手学深度学习》作为全球范围内广受欢迎的AI教材其第二版(v2)在内容深度和框架支持上都有显著升级。这套教材最突出的特点是可运行的教科书理念——每个章节都配有可执行的Jupyter Notebook代码让读者能够在实践中掌握深度学习核心概念。李沐博士作为该书主要作者之一其配套教学视频更是将抽象的理论转化为直观的操作演示。对于刚接触深度学习的开发者而言正确配置开发环境是实践的第一步。本文将详细介绍如何在本地计算机上搭建《动手学深度学习v2》的完整开发环境涵盖PyTorch框架安装、Jupyter Notebook配置以及教材代码库的获取。我们特别关注Windows、macOS和Linux三大平台的环境配置差异并提供详细的排错指南。2. 环境准备与工具选型2.1 硬件需求分析深度学习对计算资源有一定要求但《动手学深度学习v2》的示例代码经过优化可在主流配置的计算机上运行最低配置CPUIntel i5或同等性能内存8GB存储10GB可用空间用于安装开发环境和数据集推荐配置GPUNVIDIA GTX 1060及以上支持CUDA内存16GB或更高存储SSD硬盘至少20GB可用空间注意虽然部分示例可以在CPU上运行但建议配备NVIDIA显卡以获得更好的训练体验。AMD显卡目前对PyTorch的ROCm支持有限可能遇到兼容性问题。2.2 软件栈选择教材支持多种深度学习框架我们推荐使用PyTorch作为主要学习框架核心组件 - Python 3.8/3.9最新3.10可能存在部分库兼容性问题 - PyTorch 1.12带CUDA支持如果可用 - torchvision/torchtext/torchaudio配套库 - Jupyter Lab 3.0交互式编程环境 - d2l库教材配套工具包3. 分步安装指南3.1 Python环境配置建议使用Miniconda管理Python环境避免系统Python环境被污染# 下载并安装Miniconda以Linux为例 wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh # 创建专用环境 conda create -n d2l python3.9 -y conda activate d2lWindows用户应注意安装时勾选Add to PATH选项使用Anaconda Prompt执行后续命令可能需要手动安装Visual C Redistributable3.2 PyTorch安装根据是否使用GPU选择安装命令# GPU版本需CUDA 11.3 conda install pytorch torchvision torchaudio cudatoolkit11.3 -c pytorch # CPU版本 conda install pytorch torchvision torchaudio cpuonly -c pytorch验证安装import torch print(torch.__version__) # 应显示1.12.0或更高 print(torch.cuda.is_available()) # GPU可用性检查3.3 教材代码库获取克隆教材官方仓库并安装依赖git clone https://github.com/d2l-ai/d2l-zh.git cd d2l-zh pip install -r requirements.txt pip install d2l0.17.6 # 配套工具包4. 开发环境配置4.1 Jupyter Notebook优化为提升使用体验建议进行以下配置# 生成配置文件 jupyter notebook --generate-config # 安装插件 pip install jupyter_contrib_nbextensions jupyter contrib nbextension install --user推荐启用的扩展Table of Contents目录导航Codefolding代码折叠ExecuteTime代码执行时间显示4.2 VS Code集成可选对于习惯使用IDE的开发者安装Python和Jupyter插件设置Python解释器路径为conda环境创建launch.json配置{ configurations: [ { name: Python: Current File, type: python, request: launch, program: ${file}, console: integratedTerminal, args: [--matplotlibinline] } ] }5. 常见问题排查5.1 CUDA相关错误症状CUDA driver version is insufficient for CUDA runtime version解决方案检查NVIDIA驱动版本nvidia-smi确保驱动版本 ≥ CUDA Toolkit要求或降级PyTorch到匹配版本5.2 内核崩溃问题症状运行单元格后内核意外死亡可能原因内存不足尝试减小batch_size库版本冲突使用conda list检查损坏的环境重建conda环境5.3 可视化问题Matplotlib中文显示异常解决方案import matplotlib.pyplot as plt plt.rcParams[font.sans-serif] [SimHei] # Windows plt.rcParams[font.sans-serif] [Arial Unicode MS] # macOS plt.rcParams[axes.unicode_minus] False6. 云端开发环境备选方案对于本地资源不足的用户可以考虑Google Colab免费提供GPU资源直接打开教材提供的Colab链接Amazon SageMaker Studio Lab免费CPU/GPU资源持久化存储空间配置示例# Colab中安装特定版本PyTorch !pip install torch1.12.0cu113 torchvision0.13.0cu113 -f https://download.pytorch.org/whl/torch_stable.html !pip install d2l0.17.67. 学习路径建议完成环境配置后建议按以下顺序学习线性神经网络第3章多层感知机第4章卷积神经网络第6-7章循环神经网络第8-9章每个章节应先阅读理论部分运行并理解示例代码尝试修改超参数观察效果完成章节末练习题对于希望深入研究的读者可以复现论文中的模型参加Kaggle相关比赛贡献代码到开源项目
