什么是向量？

在开始构建自编码器或运行主成分分析 (PCA) 示例之前，您需要一个配置好的 Python 环境。这个设置将为所有实际练习提供基础，让您能够进行代码实践并获得对自编码器的具体理解。

一个管理良好的环境可以确保您的项目拥有正确的依赖项，并且您可以在之后或在不同机器上重现结果。接下来，我们一起来看看如何准备您的深度学习 (deep learning)工作区。

Python：核心

Python 是机器学习 (machine learning)和深度学习 (deep learning)领域的主导语言，因其丰富的库和简洁的语法而受到重视。本课程建议使用 Python 3.8 或更新版本。如果您尚未安装 Python，可以从 Python 官方网站 (python.org) 下载。

包管理和虚拟环境

管理 Python 包及其版本对于避免项目之间的冲突很重要。虚拟环境是解决此问题的标准方案。

为何使用虚拟环境？

虚拟环境是一种隔离的 Python 设置，它允许每个项目拥有自己的一套依赖项，独立于其他项目或系统级的 Python 安装。这样做有以下益处：

• 依赖项隔离：不同项目可能需要同一库的不同版本。虚拟环境可以避免这些版本之间的冲突。
• 可重现性：您可以轻松地与他人分享精确的依赖项列表（例如 requirements.txt 文件），或供自己将来使用，确保环境可以精确地再次创建。
• 整洁性：它使您的全局 Python 安装保持整洁，不受项目特定包的影响。

您有两种常用的方式来管理虚拟环境和包：Python 内置的 venv 配合 pip，或者 conda。

某开发环境设置中常见层次的概览。

使用 venv 和 pip

venv 是 Python 内置的创建虚拟环境的工具。pip 是 Python 的标准包安装器。

1. 创建虚拟环境： 在终端中导航到您的项目目录，然后运行：

   python -m venv my_autoencoder_env
   

   将 my_autoencoder_env 替换为您喜欢的环境名称。这会创建一个包含环境文件的目录。

2. 激活环境：

   • 在 macOS 和 Linux 上：

     source my_autoencoder_env/bin/activate
     

   • 在 Windows 上：

     .\my_autoencoder_env\Scripts\activate
     

   您的终端提示符应更改以表示当前环境已激活。

3. 安装包： 激活后，使用 pip install <package_name> 安装库。

4. 停用环境： 完成后，只需输入：

   deactivate
   

使用 Conda

Conda 是一个开源的包管理系统和环境管理系统，在数据科学界尤为常用。它既可以管理 Python 包，也可以管理非 Python 软件。如果您没有安装它，可以通过 Anaconda 或 Miniconda 安装。

1. 创建 Conda 环境：

   conda create --name my_autoencoder_env python=3.9
   

   将 my_autoencoder_env 替换为您选择的名称，并根据需要指定 Python 版本。

2. 激活环境：

   conda activate my_autoencoder_env
   

3. 安装包： 在已激活的 Conda 环境中，使用 conda install <package_name> 或 pip install <package_name> 安装。对于 PyTorch 等复杂包，尤其是在涉及 GPU 支持时，Conda 通常是更优的选择，因为它能管理 CUDA 工具包的依赖项。

4. 停用环境：

   conda deactivate
   

选择您最熟悉的方法。本节的其余部分将假设您已有一个激活的虚拟环境。

深度学习 (deep learning)框架

本课程将提供使用 PyTorch 的示例和指导。PyTorch 是一个功能强大且应用广泛的框架，以其灵活性和 Python 风格著称。

PyTorch

PyTorch 是一个受欢迎的开源机器学习 (machine learning)库，以其灵活性和 Python 风格而受到认可。

安装 PyTorch 最好访问 PyTorch 官方网站 (pytorch.org)，并使用他们提供的命令生成器，因为它可以根据您的操作系统、包管理器 (pip 或 conda) 和 CUDA 版本（如果需要 GPU 支持）自定义命令。

一个典型的 pip 命令可能如下所示（请务必在官方网站上核实）：

pip install torch torchvision torchaudio

使用 PyTorch 进行 GPU 加速需要兼容的 NVIDIA GPU 和正确的 CUDA 工具包版本。PyTorch 网站提供了针对不同 CUDA 版本的具体安装命令。

必要的支持库

除了深度学习 (deep learning)框架，其他几个 Python 库也是机器学习 (machine learning)任务的标准配置：

• NumPy：Python 中进行数值计算的基本包。它为大型多维数组和矩阵提供支持，并附带一系列用于操作它们的数学函数。

  pip install numpy
  

• Pandas：一个提供高性能、易于使用的数据结构（如 DataFrame）和数据分析工具的库。它非常适合处理表格数据。

  pip install pandas
  

• Matplotlib：一个功能全面的库，用于在 Python 中创建静态、动画和交互式可视化。我们将用它来绘制损失曲线、查看图像重建和进行潜在空间的可视化。

  pip install matplotlib
  

• Seaborn：构建于 Matplotlib 之上，Seaborn 提供了一个高级界面，用于绘制美观且具有信息量的统计图表。

  pip install seaborn
  

• Scikit-learn：一个多功能的机器学习库，提供用于数据挖掘和数据分析的高效工具。我们将用它来完成 PCA、数据预处理和模型评估等任务。

  pip install scikit-learn
  

汇总：快速设置指南

1. 安装 Python：确保您的系统上已安装 Python 3.8+。
2. 选择并创建虚拟环境：
   • 使用 venv：python -m venv myenv
   • 使用 conda：conda create -n myenv python=3.9（根据需要调整 Python 版本）
3. 激活您的环境：
   • venv：source myenv/bin/activate (Linux/macOS) 或 .\myenv\Scripts\activate (Windows)
   • conda：conda activate myenv
4. 安装深度学习 (deep learning)框架：
   • PyTorch：（使用 pytorch.org 上的命令，例如 pip install torch torchvision torchaudio）
5. 安装支持库：

   pip install numpy pandas matplotlib seaborn scikit-learn
   

   如果您使用 conda 并更倾向于用它来安装包：

   conda install numpy pandas matplotlib seaborn scikit-learn
   

   您通常可以使用一条命令安装多个包。

验证您的安装

安装这些库后，最好验证它们是否已正确安装并在您激活的环境中可用。打开 Python 解释器或 Jupyter Notebook，尝试导入它们：

import sys
import torch
import numpy as np
import pandas as pd
import sklearn
import matplotlib

print(f"Python version: {sys.version}")
print(f"PyTorch version: {torch.__version__}")
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__}")

# 对于 PyTorch，检查 GPU 是否可用（可选）
if torch.cuda.is_available():
     print(f"PyTorch CUDA available. Device: {torch.cuda.get_device_name(0)}")
else:
     print("PyTorch CUDA 不可用。")

如果这些命令运行无误，您的基本环境就准备好了。

关于 IDE 和 Jupyter Notebook 的说明

虽然您可以在任何文本编辑器中编写 Python 代码，但使用像 VS Code 或 PyCharm 这样的集成开发环境 (IDE) 可以通过代码补全、调试和版本控制集成等功能提高效率。

对于交互式开发和实践，尤其是在机器学习 (machine learning)中，强烈推荐使用 Jupyter Notebooks 或 JupyterLab。它们允许您将代码、文本、公式和可视化结合到单个文档中，非常适合迭代工作和成果分享。您可以使用以下命令安装 JupyterLab：

pip install jupyterlab

然后，在您激活的环境中，在终端运行 jupyter lab 来启动它。

您的环境设置完成后，现在可以开始处理本课程中的实践练习了，从下一节的主成分分析开始，然后是构建您的第一个自编码器。此设置提供了将理论知识转化为实践技能所需的工具。