创建环境： 在终端中导航到您的项目目录并运行：
```
python -m venv venv_dl # venv_dl 替换为您喜欢的名称
```
激活环境：
- 在macOS/Linux上：
```
source venv_dl/bin/activate
```
- 在Windows上：
```
.\venv_dl\Scripts\activate
```
您的终端提示符现在应显示活动环境（例如，(venv_dl)）。

使用 Conda（Anaconda/Miniconda 的一部分）

Conda是一个流行的包和环境管理器，对于处理复杂的科学包特别有用：

创建环境：

conda create --name env_dl python=3.9 # 指定名称和Python版本

激活环境：
```
conda activate env_dl
```

所有随后的库安装都应在激活您选择的虚拟环境之后进行。

核心深度学习框架

您将主要使用高级深度学习框架来构建和训练模型，而无需从头开始实现所有细节。两种最受欢迎的选择是PyTorch和TensorFlow（通常通过其Keras API使用）。本课程将主要使用PyTorch示例，但其原理也适用于两者。

安装 PyTorch

访问官方PyTorch网站，获取根据您的操作系统（Linux、macOS、Windows）和计算平台（CPU、GPU/CUDA版本）定制的最新安装命令。

仅限CPU版本的典型pip安装命令如下所示：

pip install torch torchvision torchaudio

对于GPU支持（使用NVIDIA CUDA），命令将根据您的CUDA版本而有所不同。PyTorch网站提供了一个配置工具来生成正确的命令。例如，对于CUDA 11.8：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

安装带有 Keras 的 TensorFlow

TensorFlow也通过pip提供直接的安装方式：

pip install tensorflow

此命令通常安装CPU版本。GPU支持可能需要针对您的系统进行CUDA和cuDNN的额外安装步骤。请查阅TensorFlow安装指南以获取详细信息。

必备支持库

其他几个Python库是数据科学和机器学习工作流程中的标准工具：

NumPy： 数值计算的核心库。深度学习框架常隐式使用，也可直接用于数据处理。
```
pip install numpy
```
Pandas： 提供高性能、易用的数据结构（如DataFrame）和数据分析工具。擅长加载和预处理表格数据。
```
pip install pandas
```
Matplotlib & Seaborn： 用于数据可视化，例如在训练期间绘制损失曲线或查看数据集。
```
pip install matplotlib seaborn
```
Scikit-learn： 一个全面的传统机器学习库，常用于数据预处理任务（如缩放）或评估模型。
```
pip install scikit-learn
```

您可以一次安装多个库：

pip install numpy pandas matplotlib seaborn scikit-learn

开发工具：IDE 和 Notebook

您如何编写和执行代码取决于个人偏好，但有两种常见方法：

集成开发环境（IDE）： 像带有Python扩展的Visual Studio Code（VS Code）或PyCharm这样的工具，提供诸如代码补全、调试和Git集成等功能，适用于大型项目。
Jupyter Notebooks/Lab： 它们提供了一个交互式、基于Web的环境，您可以在单个文档中混合代码、文本、公式和可视化内容。它们对于进行试验、学习和分享结果非常有用。使用以下命令安装 JupyterLab：
```
pip install jupyterlab
```
然后在终端中运行jupyter lab，从您激活的环境中启动它。

本地环境与云环境

您可以在您的本地机器（笔记本电脑或台式机）上配置环境。然而，训练大型深度学习模型可能计算密集，并且能从图形处理单元（GPU）中大大受益。

本地配置： 方便开发和处理较小型模型。需要自行管理安装。访问强大的GPU可能受限或成本较高。
云平台： 像Google Colab、Kaggle Kernels、AWS SageMaker和Google Cloud AI Platform这样的服务提供预配置的环境，通常提供免费或按需访问GPU和TPU（张量处理单元）。这减轻了本地配置的负担，并提供可扩展的计算能力。Google Colab对于初学者来说是一个特别容易使用的选择。

验证您的配置

安装核心组件后，最好验证它们在您激活的环境中是否可用。打开Python解释器或Jupyter Notebook并尝试导入它们：

import platform
import torch
import tensorflow as tf # 可选，如果已安装
import numpy as np
import pandas as pd
import sklearn
import matplotlib
import seaborn

print(f"Python version: {platform.python_version()}")
print(f"PyTorch version: {torch.__version__}")
# 检查 PyTorch 中 GPU 可用性
if torch.cuda.is_available():
    print(f"PyTorch CUDA available: True, version: {torch.version.cuda}")
    print(f"Device name: {torch.cuda.get_device_name(0)}")
else:
    print("PyTorch CUDA available: False")

# 可选的 TensorFlow 检查
# print(f"TensorFlow version: {tf.__version__}")
# gpu_devices = tf.config.list_physical_devices('GPU')
# print(f"TensorFlow GPU devices: {gpu_devices}")

print(f"NumPy version: {np.__version__}")
print(f"Pandas version: {pd.__version__}")
print(f"Scikit-learn version: {sklearn.__version__}")
print(f"Matplotlib version: {matplotlib.__version__}")
print(f"Seaborn version: {seaborn.__version__}")

如果这些命令执行时没有ImportError消息，您的基本环境就已准备就绪。您现在拥有了定义、训练和评估深度学习模型所需的工具。

这部分内容有帮助吗？