1. Введение

   Фреймворк глубокого обучения — это интерфейс, библиотека или инструмент, который позволяет нам проще и быстрее создавать модели глубокого обучения без необходимости вникать в детали лежащих в их основе алгоритмов. Фреймворки глубокого обучения определяют модели, используя набор предварительно созданных и оптимизированных компонентов, обеспечивая четкий и лаконичный подход к реализации модели. Текущие основные фреймворки глубокого обучения:TensorFlow,Keras,PyTorch,Caffe.

TensorFlow

TensorFlow, разработанная исследователями и инженерами из команды Google Brain, является наиболее часто используемой библиотекой программного обеспечения в области глубокого обучения. Это программное обеспечение для математических расчетов с открытым исходным кодом, разработанное на языке C++, и взаимодействует в виде графа потока данных (Data Flow Graph). TensorFlow имеет множество компонентов, наиболее заметными из которых являются:
(1)Тензорборд:Помогите с эффективной визуализацией данных с помощью диаграмм потоков данных
(2)ТензорФлоу:Для быстрого развертывания новых алгоритмов/испытаний В настоящее время существует множество сторонних библиотек, упакованных на основе TensorFlow, некоторые из наиболее известных: Keras, Tflearn, tfslim и TensorLayer.

Keras

Keras написан на Python и работает поверх TensorFlow (а также CNTK и Theano). Интерфейс TensorFlow сложен, потому что это низкоуровневая библиотека, и некоторые реализации могут быть трудны для понимания новыми пользователями.
А Keras — это высокоуровневый API, разработанный для быстрых экспериментов. Таким образом, Keras автоматически выполняет основные задачи и генерирует выходные данные, если желательны быстрые результаты. Keras поддерживает сверточные нейронные сети и рекуррентные нейронные сети и может без проблем работать на процессорах и графических процессорах.
Новички в глубоком обучении часто жалуются на то, что не могут правильно понять сложные модели. Если вы такой пользователь, Keras — правильный выбор для вас! Его цель — свести к минимуму действия пользователя и сделать его модели действительно простыми для понимания.

Caffe

Caffe — еще одна популярная среда глубокого обучения для обработки изображений, разработанная Янцином Цзя во время его докторской диссертации в Калифорнийском университете в Беркли. Кроме того, это с открытым исходным кодом!
Из его названия видно, что он особенно хорошо поддерживает сверточные сети, а также написан на C++.

PyTorch

PyTorch был разработан командой Torch 7. Как видно из его названия, разница между PyTorch и Torch заключается в том, что PyTorch использует Python в качестве языка разработки. PyTorch можно рассматривать не только как numpy с поддержкой GPU, но и как мощную нейронную сеть с функцией автоматического вывода.

2. Создание среды PyTorch

1. Установите Анаконду 3.5.

Anaconda — это дистрибутив Python для научных вычислений.Он поддерживает системы Linux, Mac и Window.Он предоставляет функции управления пакетами и управления средой, которые могут легко решить проблемы сосуществования Python, переключения и установки различных сторонних пакетов.

1.1 Скачать:

непосредственно изофициальный сайт анакондыЗагрузите, но поскольку сервер Anaconda находится за границей, скорость загрузки будет очень низкой, что рекомендуется здесь.Зеркало ЦинхуаСкачать. Выберите подходящую версию для загрузки, здесь я выбираю Anaconda3-5.1.0-Windows-x86_64.exe

1.2 Установка

После загрузки и установки просто выберите путь самостоятельно, в основном по умолчанию.

После завершения установки настройте переменные среды Anaconda, откройте «Панель управления» -> «Дополнительные параметры системы» -> «Переменные среды» -> «Системные переменные», чтобы найти «Путь», нажмите «Изменить» и добавьте пути хранения трех папок (обратите внимание, что три пути нужно разделить точкой с запятой), как показано на рисунке:

На данный момент установлена ​​и настроена версия Anaconda 3.5 для Windows, откройте программу, чтобы найти Anaconda Navigator, и после запуска вы увидите:

1.3 Упорядоченная среда управления

Здесь вам нужно проверить свою версию Python, Win + R, чтобы ввести cmd, введите python, чтобы получить соответствующую информацию о версии. (Вы не можете запросить, если путь среды Python не настроен)

Моя версия 3.8, поэтому версия 3.8 также установлена ​​​​ниже, pytorch - это имя в более поздней сборке. Если вы не знаете свою версию Python, нажмите Win+R, откройте консоль cmd и введите python, чтобы просмотреть информацию о версии.
conda create -n pytorch python=3.8
После этого появится приглашение, введите y, и вы сможете установить его. После успешной установки введите следующие команды:
conda info --envs
Вы можете видеть, что в среде conda есть новая среда pytorch (вы можете выбрать другое имя, какое бы вы ни выбрали), знак * справа указывает, в какой среде вы сейчас находитесь.

Затем нам нужно установить PyTorch в среде pytorch и использовать следующую команду для входа в среду pytorch (активировать после выбранного вами имени).
conda activate pytorch
Вы можете видеть, что база слева стала pytorch, что означает успешный вход в среду pytorch.

1.4 Замена внутренних источников

Пожалуйста, обратитесь к замене источника TsinghuaПомощь в использовании зеркала Tsinghuayuan Anaconda.

2. Установите PyTorch и torchvision

Входитьофициальный сайт питорч, и выберите в соответствии с вашими потребностями. как показано на рисунке:

После завершения установки убедитесь, что установка прошла успешно, откройте новый файл python в Anaconda Jupyter и запустите демонстрацию:

На данный момент среда PyTorch успешно установлена.

Три, установка PyCharm

ВходитьОфициальный сайт, загрузите соответствующую версию и нажмите «Установить».

Ссылаться на

1,Анализ пяти фреймворков глубокого обучения
2,Конфигурация окружения Pytorch под WIN10 (давно установленная история кровью и слезами)
3.Создание среды PyTorch