配置开发环境

要有效学习泛化和过拟合 (overfitting)，以及模型正则化 (regularization)和优化中用到的方法，你需要一个稳定且可用的 Python 环境。通过此配置，你将能够运行代码示例，尝试不同的正则化和优化方法，并完成动手实践环节。

我们建议使用最新版本的 Python，理想情况下是 Python 3.8 或更高版本。管理依赖项对于实现结果可复现性很重要，我们建议使用 Conda（特别是 Miniconda 或 Anaconda）或 Python 内置的 venv 模块结合 pip。

核心库

我们主要依赖的库有：

1. PyTorch： 我们的主要深度学习 (deep learning)框架。它提供了构建、训练和评估神经网络 (neural network)所需的工具，包括正则化 (regularization)层和优化算法的实现。
2. NumPy： Python 中用于数值计算的基本包。PyTorch 与 NumPy 集成良好，我们将用它进行各种数据操作。
3. Matplotlib（可选 Seaborn）： 用于绘制和可视化数据，如学习曲线、权重 (weight)分布和模型预测，这对于诊断模型行为非常重要。
4. Scikit-learn： 可用于数据分割、性能指标以及可能的简单基线模型等辅助工具。

使用 Conda 安装

如果你使用 Conda，可以创建一个专用环境并安装所需包。打开你的终端或 Anaconda Prompt，然后运行：

# 创建一个新环境（例如，命名为 'dl-regopt'），使用 Python 3.9
conda create -n dl-regopt python=3.9

# 激活环境
conda activate dl-regopt

# 安装 PyTorch, torchvision, torchaudio (如果需要，请根据你的操作系统/CUDA 版本进行调整)
# 请访问 PyTorch 官方网站 (pytorch.org) 获取最新的安装命令
# Linux/macOS 上仅支持 CPU 的示例：
conda install pytorch torchvision torchaudio cpuonly -c pytorch

# 安装其他库
conda install numpy matplotlib scikit-learn seaborn jupyterlab

注意： 对于 GPU 支持（强烈建议以加快训练速度），请访问 PyTorch 官方网站 (https://pytorch.org/)，并根据你的操作系统和 CUDA 版本选择合适的安装命令。

使用 pip 和 venv 安装

如果你更喜欢使用 pip 结合虚拟环境：

# 为你的项目创建一个目录（如果尚未创建）
mkdir deeplearning-course
cd deeplearning-course

# 创建一个虚拟环境（例如，命名为 '.venv'）
python -m venv .venv

# 激活环境
# 在 macOS/Linux 上：
source .venv/bin/activate
# 在 Windows 上：
# .\.venv\Scripts\activate

# 升级 pip
python -m pip install --upgrade pip

# 安装 PyTorch (如果需要，请根据你的操作系统/CUDA 版本进行调整)
# 请访问 PyTorch 官方网站 (pytorch.org) 获取最新的安装命令
# 仅支持 CPU 的示例：
pip install torch torchvision torchaudio

# 安装其他库
pip install numpy matplotlib scikit-learn seaborn jupyterlab

验证安装

安装完成后，你可以快速验证核心组件是否正常工作。启动 Python 解释器或 Jupyter Notebook，并尝试导入库：

import torch
import numpy as np
import matplotlib.pyplot as plt
import sklearn

print(f"PyTorch 版本: {torch.__version__}")
print(f"NumPy 版本: {np.__version__}")
print(f"Scikit-learn 版本: {sklearn.__version__}")

# 检查 PyTorch 是否支持 CUDA (GPU)
if torch.cuda.is_available():
    print(f"CUDA 可用: {torch.cuda.is_available()}")
    print(f"CUDA 版本: {torch.version.cuda}")
    print(f"设备名称: {torch.cuda.get_device_name(0)}")
else:
    print("CUDA 不可用。正在 CPU 上运行。")

# 测试一个简单的 PyTorch 张量操作
x = torch.rand(5, 3)
print("\nPyTorch 张量示例：")
print(x)

如果这些命令执行无误，并显示版本和张量输出，那么你的环境就已准备就绪。你现在拥有了跟进实践示例所需的工具，从可视化过拟合 (overfitting)的影响开始。拥有这样一个稳定的配置，可以确保在你研究不同方法来改进模型泛化能力时，代码能按预期运行。