基于PyTorch的深度学习入门教程的PyTorch的安装和配置
深度神经网络是一种广泛使用的工具，可用于图像识别，分类，对象检测，机器翻译等。深度学习是一种学习神经网络各种参数的方法。
因此，我们将介绍的深度学习是指构建神经网络结构，并使用各种深度学习算法来训练网络参数以解决各种任务。本文从PyTorch环境配置开始。
PyTorch是具有Python界面的深度学习框架，使用灵活且易于学习。还有其他主流的深度学习框架，例如Caffe，TensorFlow，CNTK等，每个框架都有自己的优势。
作者认为，最初的学习是选择一种入门，不要指望全部学习。重要的是要知道，只有集中精力努力，您才能更深入地进行挖掘。
渐渐地，流浪者渴望成为迷人的人们，选择适合自己的一种，从一开始，我相信它将对科学研究有很大的帮助！注意：本文和本系列中的所有文章都是在PyTorch0.2版本下编写的。现在版本已经更新了很多，会有一些API的变化，请注意最新的变化，以免被版本问题困扰。
1.环境说明PyTorch目前支持OSX和Linux系统，并支持多种安装方法。官方网站上介绍了几种基于conda，pip和源代码编译的安装方法。
受支持的Python版本是2.7、3.5和3.6。鉴于深度学习需要大量计算，因此强烈建议找到一台带有独立显卡的计算机以开始学习。
当然，它可以在没有图形卡的情况下使用，但是计算速度要慢得多。如果您的计算机是Windows，则可以安装虚拟机来运行Linux，但是性能可能会有所降低。
我的计算机操作系统是Ubuntu 16.04，因此我将以它为例来介绍以下内容。 2.我们为Anaconda和PythonPackageManager选择了conda，因此我们需要安装一个功能强大的软件包Anaconda，并下载地质信息：https://www.anaconda.com/download/#linux。
它包含conda工具，Python和Python所需的许多扩展工具包。选择2.7版，下载并安装。
接下来，如果有图形卡，请转到步骤3；否则，请转到步骤3。如果没有图形卡，请直接转到步骤4。
3.图形卡驱动程序和CUDA使用图形卡进行计算，您需要使用支持CUDA的NVIDIA图形卡，当前更好的图形卡是NVIDIA TITANX，GTX1080Ti等。好的图形卡将成为深度学习研究的强大武器。
当然，也可以使用普通显卡，例如GTX970，GTX1060等。没有图形卡，您只能使用少量数据进行简单的实验，效果将不会很好。
可以使用以下方法在相对稳定的Ubuntu 16.04上安装显卡驱动程序。打开“系统设置”-“软件和更新”-“附加驱动程序”，网络状态将自动搜索可用的图形驱动程序，选择可用的版本，然后单击“应用更改”。
重新启动后，图形卡驱动程序可能会生效。接下来安装CUDAToolkit。
因为最新的CUDA是9.0版，但是PyTorch最多只能支持8.0版。因此，请访问网站“ https://developer.nvidia.com/cuda-80-ga2-download-archive”，选择相应的参数，下面将有相应的CUDA文件。
例如，下面的图片是我选择的版本。选择deb文件，发现它的大小为1.9G，下载并遵循baseinstaller的说明完成安装。
也可以下载并安装其他cuBLAS。安装CUDA后，打开“ .bachrc”文件放在主目录中，并在末尾添加以下代码：exportPATH = / usr / local / cuda-8.0 / bin $ {PATH：+：$ {PATH}} exportLD_LIBRARY_PATH = / usr / local / cuda-8.0 / lib64 $ {LD_LIBRARY_PATH：+：$ {LD_LIBRARY_PATH}} exportLD_LIBRARY_PATH = / usr / local / cuda-8.0 / lib $ {LD_LIBRARY_PATH：+：$ {LD_LIBRARY_PATH}} 4.如果喜欢，请使用8.0CUDA版本运行PyTorch安装命令。
2.7 Python，可以运行以下命令：condainstallpytorchtorchvisioncuda80-csoumith如果没有图形卡（Python 2.7版），则可以执行以下操作：condainstallpytorchtorchvision-csoumith 5.验证安装是否成功。要显示图形卡信息，请在终端中键入：sudolshw-要在cvideo上显示CUDA信息，请在终端中输入：nvcc-V以检查Phthon版本，然后在终端中输入：python--version以验证是否已安装pytorch成功后，在终端输入：python此时进入python环境。
然后，继续无错误地输入importtorchimporttorchvision，指示。
因此，我们将介绍的深度学习是指构建神经网络结构，并使用各种深度学习算法来训练网络参数以解决各种任务。本文从PyTorch环境配置开始。
PyTorch是具有Python界面的深度学习框架，使用灵活且易于学习。还有其他主流的深度学习框架，例如Caffe，TensorFlow，CNTK等，每个框架都有自己的优势。
作者认为，最初的学习是选择一种入门，不要指望全部学习。重要的是要知道，只有集中精力努力，您才能更深入地进行挖掘。
渐渐地，流浪者渴望成为迷人的人们，选择适合自己的一种，从一开始，我相信它将对科学研究有很大的帮助！注意：本文和本系列中的所有文章都是在PyTorch0.2版本下编写的。现在版本已经更新了很多，会有一些API的变化，请注意最新的变化，以免被版本问题困扰。
1.环境说明PyTorch目前支持OSX和Linux系统，并支持多种安装方法。官方网站上介绍了几种基于conda，pip和源代码编译的安装方法。
受支持的Python版本是2.7、3.5和3.6。鉴于深度学习需要大量计算，因此强烈建议找到一台带有独立显卡的计算机以开始学习。
当然，它可以在没有图形卡的情况下使用，但是计算速度要慢得多。如果您的计算机是Windows，则可以安装虚拟机来运行Linux，但是性能可能会有所降低。
我的计算机操作系统是Ubuntu 16.04，因此我将以它为例来介绍以下内容。 2.我们为Anaconda和PythonPackageManager选择了conda，因此我们需要安装一个功能强大的软件包Anaconda，并下载地质信息：https://www.anaconda.com/download/#linux。
它包含conda工具，Python和Python所需的许多扩展工具包。选择2.7版，下载并安装。
接下来，如果有图形卡，请转到步骤3；否则，请转到步骤3。如果没有图形卡，请直接转到步骤4。
3.图形卡驱动程序和CUDA使用图形卡进行计算，您需要使用支持CUDA的NVIDIA图形卡，当前更好的图形卡是NVIDIA TITANX，GTX1080Ti等。好的图形卡将成为深度学习研究的强大武器。
当然，也可以使用普通显卡，例如GTX970，GTX1060等。没有图形卡，您只能使用少量数据进行简单的实验，效果将不会很好。
可以使用以下方法在相对稳定的Ubuntu 16.04上安装显卡驱动程序。打开“系统设置”-“软件和更新”-“附加驱动程序”，网络状态将自动搜索可用的图形驱动程序，选择可用的版本，然后单击“应用更改”。
重新启动后，图形卡驱动程序可能会生效。接下来安装CUDAToolkit。
因为最新的CUDA是9.0版，但是PyTorch最多只能支持8.0版。因此，请访问网站“ https://developer.nvidia.com/cuda-80-ga2-download-archive”，选择相应的参数，下面将有相应的CUDA文件。
例如，下面的图片是我选择的版本。选择deb文件，发现它的大小为1.9G，下载并遵循baseinstaller的说明完成安装。
也可以下载并安装其他cuBLAS。安装CUDA后，打开“ .bachrc”文件放在主目录中，并在末尾添加以下代码：exportPATH = / usr / local / cuda-8.0 / bin $ {PATH：+：$ {PATH}} exportLD_LIBRARY_PATH = / usr / local / cuda-8.0 / lib64 $ {LD_LIBRARY_PATH：+：$ {LD_LIBRARY_PATH}} exportLD_LIBRARY_PATH = / usr / local / cuda-8.0 / lib $ {LD_LIBRARY_PATH：+：$ {LD_LIBRARY_PATH}} 4.如果喜欢，请使用8.0CUDA版本运行PyTorch安装命令。
2.7 Python，可以运行以下命令：condainstallpytorchtorchvisioncuda80-csoumith如果没有图形卡（Python 2.7版），则可以执行以下操作：condainstallpytorchtorchvision-csoumith 5.验证安装是否成功。要显示图形卡信息，请在终端中键入：sudolshw-要在cvideo上显示CUDA信息，请在终端中输入：nvcc-V以检查Phthon版本，然后在终端中输入：python--version以验证是否已安装pytorch成功后，在终端输入：python此时进入python环境。
然后，继续无错误地输入importtorchimporttorchvision，指示。