前言
时间来到21世纪的第二个十年，Python凭借着其简单明了的语法和众多像numpy一样优秀的包已成为了数据科学工作者最喜爱的工具语言之一。当然，机器学习与深度学习等领域也不例外，本文从Anaconda(一个用于科学计算的Python发行版)的安装配置起，一路手把手教你如何配置属于你的Pytorch环境。你可以在本文结尾学会如何把你的Pycharm——一款久经考验的IDE——和你的Anaconda联系在一起；如果你愿意更进一步的话，你大概可以在下篇博文中邂逅Jupyter Notebook，感受一种全新的书写体验
Anaconda简介
Python有着数量庞大的用于科学计算与数据分析的扩展包，只用pip指令逐个安装并管理他们之间的依赖关系是一件很困难的任务。同时，对于不同的目标，我们可能会需要不同版本、不同包搭配的Python，要为每一个版本单独创建一个虚拟机吗？Anaconda给出了否定的答案。Anaconda是一个用于科学计算的Python发行版，支持Linux，Mac，Windows，包含了众多流行的科学计算、数据分析的Python包。在它的帮助下，你可以很轻松的安装并配置众多Python包，同时拥有互不冲突的多套Python生产环境，并在他们之间迅速切换。具体来说：
如果你需要的包要求不同版本的Python，你无需切换到不同的环境，因为conda同样是一个环境管理器。仅需要几条命令，你可以创建一个完全独立的环境来运行不同的Python版本，同时继续在你常规的环境中使用你常用的Python版本。
因此，在这篇教程中，我会用它安装并配置我的生产环境
Pytorch简介
Pytorch是一个的开源机器学习框架。2017年1月，Facebook人工智能研究院基于Torch推出了PyTorch。它既可以看作加入了GPU支持的numpy，同时也可以看成一个拥有自动求导功能的强大的深度神经网络。凭借着众多远胜于它众多竞争者——如Tensorflow和MXNet——的众多特性，现已在学界被大量应用。机器学习本质上是个数学问题，Pytorch等框架中封装良好的数学工具已极大的降低了其准入门槛与学习难度。不但如此，Pytorch有着对GPU的良好支持，只要你已经安装好NVIDIA公司提供的CUDA模块，修改一行代码，你就可以把你的代码在CPU和GPU上无痛切换，全仰赖于Pytorch优秀的设计。因此，在这篇教程中，我选用它配合我的学习工作
正文
安装配置Anaconda
安装Anaconda
我们首先安装Anaconda
Anaconda有着它自己的官网，但鉴于国内复杂的网络环境，我们并不敢保证每个人都可以从它上面跑满带宽下载Anaconda安装包，所以我们这里选择清华大学开源软件镜像站提供的下载地址。你可以在此站点找到最新的Anaconda安装包，截止文章成文时，最新的版本为Anaconda3-2019.10-Windows-x86_64.exe，这是一个64位的Windows版本，如果你使用Linux或MacOSX，你可以自行下载对应的版本，此处不再赘述
一般如果你的C盘空间足够充裕 默认安装完成后大概会占用6GB空间，随着使用和安装新包，这个数字可能增长到十数GB ，你可以直接一路单击NEXT直接应用默认选项安装
需要注意的是，不论你在安装过程中选择为所有用户安装还是仅为本用户安装，你都需要严格控制你的安装路径满足以下两条原则：
- 绝对不要包含中文
- 绝对不要包含空格
- 绝对不能包含unicode编码的字符
所以如上图一般我们可以选择为所有用户安装，并直接安装在C:\ProgramData\Anaconda3目录下，
在安装过程中，还有以下界面值得注意：
而后是上面这两个选项：
第一个Add Anaconda to my PATH environment variable指是否把Anaconda加入环境变量，这涉及到能否直接在cmd中使用conda、jupyter、ipython等命令如果你希望直接在cmd中使用Anaconda，可以勾选，如果你担心更改环境变量会影响到其他程序对Python的调用，那么可以不勾选，同时可以在有需求时使用Anaconda提供的命令行工具进行操作。事实上由于Anaconda自带的命令行可以显示图表，功能更强，我推荐你不勾选此项，平时直接启动Anaconda Prompt来操作Anaconda
第二个Register Anaconda as my default Python指是否设置Anaconda所带的Python为系统默认的Python版本，如果你没有安装过Python或者没有客制化过你自己之前的Python，可以直接勾选，如果你希望经常使用自己之前的Python，可以不勾选这个选项，取决于你的需求
除此之外就没有什么太值得说的地方了，一路NEXT你就可以完成你的安装，之后如果你已经将其添加到了环境变量，可以打开你的cmd，输入：
conda --version
如果返回类似：
conda 4.7.12
的字样，则证明你已经安装成功了
如果你没有添加环境变量，可以在开始菜单中找到Anaconda Prompt (Anaconda3)这个软件，它是Anaconda自带的命令行，打开后输入：
conda list
如果正常的返回了自带的包的列表，则证明你已经安装成功了，我们稍后再进一步介绍Anaconda开始菜单文件夹的其余软件的用途
配置Anaconda
在安装完成之后，你还需要进一步配置才能安装你的Pytorch
因为Anaconda提供的服务器在国外，如果你是国内用户，首先需要更换Anaconda来获取快速的包下载安装体验
同样是应用清华镜像，你可以直接通过命令修改源，但这里更推荐直接修改.condarc文件来换源。Windows用户无法直接创建名为.condarc的配置文件，先在命令行中执行：
conda config --set show_channel_urls yes
生成该文件之后在你的当前用户目录下找到.condarc文件，用记事本或Vscode在其中插入以下内容：
channels:
- defaults
show_channel_urls: true
default_channels:
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
custom_channels:
conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
保存后即修改完成，至此Anaconda的配置就结束了
你可以使用Anaconda Navigator的图形化界面直接管理你的环境，这个比较简单直观，不再赘述
你也可以使用命令行来操作，注意！如果你使用Anaconda的命令行，操作时最好右键以管理员身份运行，否则操作文件时可能因为权限不足而失败，这也是有些教程中不推荐你把Anaconda为所有用户安装的原因，因为此时Anaconda被安装到ProgramData目录下，新建、删除、重命名文件需要管理员权限
下面提供几个常用的命令，
conda --version 查看conda版本
conda -v 同上
conda --help 获取帮助
conda -h 同上
conda update --help 可替换--help为-h，获取对应帮助
conda remove --help 同上
conda env list 查看所有环境
conda info --envs 同上
conda update --all 更新当前环境所有包
conda create --name your_env_name 创建一个名为your_env_name的环境
conda create -n your_env_name 同上
conda create -n your_env_name python=3.7 创建一个包含指定包的环境，指定特殊版本只需加上=x.x
conda create -n your_env_name python=3.7 numpy pandas 可以指定多个包，用空格隔开，用=表明版本号
conda remove -n your_env_name --all 删除名为your_env_name的环境
activate your_env_name 激活并进入名为your_env_name的环境
deactivate 退出到base环境
conda list 列举当前环境下的所有包
conda list -n packagename 列举某个特定名称包
conda install packagename 为当前环境安装某包
conda install -n envname packagename 为某环境安装某包
conda search packagename 搜索某包
conda updata packagename 更新当前环境某包
conda update -n envname packagename 更新某特定环境某包
conda remove packagename 删除当前环境某包
conda remove -n envname packagename 删除某环境环境某包
conda update conda 更新conda本体，以下同理
conda update anaconda
conda update python
安装CUDA（如果你有NVIDIA独立显卡）
深度学习是模拟人脑神经系统而建立的数学网络模型，这个模型的最大特点是，需要大数据来训练。因此，对电脑处理器的要求，就是需要大量的并行的重复计算，GPU正好有这个专长，时势造英雄，因此，GPU就出山担当重任了。
GPU具有如下特点：
- 提供了多核并行计算的基础结构，且核心数非常多，可以支撑大量数据的并行计算。并行计算或称平行计算是相对于串行计算来说的。它是一种一次可执行多个指令的算法，目的是提高计算速度，及通过扩大问题求解规模，解决大型而复杂的计算问题
- 拥有更高的访存速度
- 更高的浮点运算能力。浮点运算能力是关系到处理器的多媒体、3D图形处理的一个重要指标。现在的计算机技术中，由于大量多媒体技术的应用，浮点数的计算大大增加了，比如3D图形的渲染等工作，因此浮点运算的能力是考察处理器计算能力的重要指标
因此，GPU非常适合深度学习，而Pytorch又提供了非常成熟的GPU版本，这依赖于NVIDIA公司提供的CUDA框架，因此，即使你手中的计算机仅仅有一张MX150，我也推荐你安装GPU版本的Pytorch
你可以在CUDA官网查询你的GPU是否支持CUDA和支持的最高版本，并下载安装对应版本的CUDA。Pytorch目前支持CUDA 9.2和CUDA 10.1，下一节以CUDA 10.1为例
使用Anaconda的conda指令是不需要额外手动安装CUDA的，但如果你想玩一下CUDA编程，可以参考下文：
首先，你的电脑上最好已经预装了VisualStudio，否则CUDA可能安装失败 莫名其妙的BUG ，在官方下载地址可以下载到CUDA 10.1，下载完成后一路NEXT即可完成安装，如果安装过程中出现不影响安装继续进行的异常，无需调试直接确定即可，此处不再赘述
安装Pytorch
现在可以开始安装Pytorch了，在conda中，如果你需要安装一个包，系统将自动检查这个包需要的前置的依赖包并且它们全部有序安装，这使得我们可以非常方便的安装我们需要的每个包
首先打开以管理员身份运行Anaconda Prompt，默认会直接进入base环境，这是Anaconda的root环境，出厂即携带大量的科学计算用包，为了加快环境的运行速度，我们单独创建一个新环境，使用命令:
conda create -n forPytorch python=3.7
来创建一个名为forPytorch的，Python版本为3.7的新环境
如图所示，Anaconda会自动分析所需安装的包并为你罗列出来，输入y来确认创建安装:
如无报错信息则为安装成功，现在切换到新创建的环境中，使用命令：
activate forPytorch
执行后发现命令行括号内的内容从base变为forPytorch，说明现在已在新创建的环境下，从Pytorch官网查阅到安装命令为：
conda install pytorch torchvision cudatoolkit=10.1 -c pytorch #推荐 GPU版本 安装CUDA10.1 可以使用GPU或CPU
conda install pytorch torchvision cudatoolkit=9.2 -c pytorch -c defaults -c numba/label/dev #GPU版本 安装CUDA9.2 可以使用GPU或CPU
conda install pytorch torchvision cpuonly -c pytorch #非常不推荐 仅CPU版本 只能使用CPU，效率很低
分析完成后同理输入y确认安装，等待安装完成即可。现在你的Anaconda安装路径下此环境的Python中已经可以正常使用Pytorch框架，想要验证安装，你可以在该环境下的命令行中先后输入：
python
import torch
未报错即为安装正常
配置IDE
仅仅安装完了包显然还是没办法写代码的，你还需要在IDE或编辑器中应用新建的Anaconda环境中的Python解释器，来使用这个环境中的Python，对于初学者来说，这里我暂时推荐你使用Pycharm，最好用的Python IDE。它的专业版是付费的，但你可以在官网直接用你的学生邮箱来申请免费使用全套JetBrains开发工具，这里不再赘述
在你安装好你的Pycharm后，请先创建一个新工程（而非对整个Pycharm应用解释器的修改，这很容易造成糟糕的影响），接着在File栏下找到设置选项Setting
接着找到Project栏下的Project Interpreter项，右侧的下拉菜单是你当前的解释器的选择栏，点击它下面的加号，并选择Show All…来显示所有备选项：
接着点击新界面里的加号，来添加一个备选解释器：
在新界面的左侧选择Conda Environment来引入一个Anaconda环境，右侧选中下方的Existing environment来引入刚刚已经创建好的环境，Interpreter一栏中找到你Anaconda安装目录下的envs\forPytorch目录中的Python.exe，这是你已安装好Pytorch的新环境自己独有的Python解释器，注意一定不要选择Anaconda根目录下的那个解释器，使用该解释器可能需要你每次都启动命令行并激活你自建的环境才能正常使用Pytorch
点击确定，回到上个界面会发现该环境里安装的包都已经被IDE分析完毕展示出来，再确认一次即完成了所有配置
现在你可以随便输入一段例程来测试一下你的新解释器，比如下面这段:
# Code in file autograd/two_layer_net_autograd.py
import torch
# device = torch.device('cpu')
device = torch.device('cuda') # Uncomment this to run on GPU
# N is batch size; D_in is input dimension;
# H is hidden dimension; D_out is output dimension.
N, D_in, H, D_out = 64, 1000, 100, 10
# Create random Tensors to hold input and outputs
x = torch.randn(N, D_in, device=device)
y = torch.randn(N, D_out, device=device)
# Create random Tensors for weights; setting requires_grad=True means that we
# want to compute gradients for these Tensors during the backward pass.
w1 = torch.randn(D_in, H, device=device, requires_grad=True)
w2 = torch.randn(H, D_out, device=device, requires_grad=True)
learning_rate = 1e-6
for t in range(500):
# Forward pass: compute predicted y using operations on Tensors. Since w1 and
# w2 have requires_grad=True, operations involving these Tensors will cause
# PyTorch to build a computational graph, allowing automatic computation of
# gradients. Since we are no longer implementing the backward pass by hand we
# don't need to keep references to intermediate values.
y_pred = x.mm(w1).clamp(min=0).mm(w2)
# Compute and print loss. Loss is a Tensor of shape (), and loss.item()
# is a Python number giving its value.
loss = (y_pred - y).pow(2).sum()
print(t, loss.item())
# Use autograd to compute the backward pass. This call will compute the
# gradient of loss with respect to all Tensors with requires_grad=True.
# After this call w1.grad and w2.grad will be Tensors holding the gradient
# of the loss with respect to w1 and w2 respectively.
loss.backward()
# Update weights using gradient descent. For this step we just want to mutate
# the values of w1 and w2 in-place; we don't want to build up a computational
# graph for the update steps, so we use the torch.no_grad() context manager
# to prevent PyTorch from building a computational graph for the updates
with torch.no_grad():
w1 -= learning_rate * w1.grad
w2 -= learning_rate * w2.grad
# Manually zero the gradients after running the backward pass
w1.grad.zero_()
w2.grad.zero_()
输出一切正常就代表你完成了整个配置过程，congratulation！
后记
Pytorch的环境配置还是非常非常友好的，和Python一脉相承的护发，然而Anaconda实在太有意思，好多东西没说很细还是写了300行Markdown ，相关的资料都非常成熟了，也没上一篇博文那沙雕框架那么多坑 天灭PHP
下一篇打算写一下Jupyter Notebook的使用技巧，马上过年了，这两天会比较忙，明天 今天 起床还得回学校把电脑搬回家，可能来不及更新博文，该学还是会学的，Pytorch真香
世界晚安
zhaiyunfan 2020-01-22 03:00
