#科技青年#

在前面的系列文章中，我们分别介绍了：

Python开发环境的安装与配置；

使用PyCharm进行程序的开发与调试；

今天，我们再来介绍如何在PyCharm中配置深度学习环境，并在后续章节中通过实例来演示深度学习在图像处理方面的应用。虽然Python平台下有许多深度学习框架，如TensorFlow、Keras、Theano以及Mxnet等，不过老码农还是喜欢使用PyTorch，本文就以PyTorch为例进行配置。

PyTorch简介

PyTorch的前身是Torch，使用Lua语言开发，Torch是一个基于BSD License的开源科学计算框架，最初版本于2002年发布，广泛应用于机器学习领域，受益于Lua语言的特性，它即简单易用又高效，为了提高性能，底层使用C/CUDA实现。其的核心特性如下：

1. 功能强大的N维数组，也称之为张量；
2. 为数组索引、切片、转置等操作提供了多种方法；
3. 通过LuaJIT提供了一个非常好的C语言接口；
4. 线性代数支持程序；
5. 神经网络与基于能量的模型；
6. 数学优化程序；
7. 快速高效的GPU支持；
8. 可嵌入IOS和Android后台。

PyTorch的前身Torch

PyTorch复用了Torch的底层框架，使用Python重新改写了很多功能，使得PyTorch更加灵活。它最初于2017年1月，由Facebook FAIR（脸书人工智能研究院）推出，现在的最新版本已经升级到1.5，除了提供Python接口外，它还提供C++接口，使用户可以通过更高效的C++语言来调用训练好的PyTorch模型。目前PyTorch即可以运行于支持CUDA的GPU，也可以直接在CPU运行（当然，速度会慢很多）。

PyTorch的设计追求最少的封装，它的设计遵循张量->自动求导->模型三个由低到高的抽象层次，这三层之间紧密联系，这种简洁的设计使得该库易于学习和使用。PyTorch的源码只有TensorFlow的十分之一左右，但是PyTorch的简洁不以速度为代价，在许多评测中，同样的算法，PyTorch的速度表现都胜过了其它框架。个人认为，PyTorch框架是众多机器学习框架中设计最优雅的一个。

Cuda简介与安装

CUDA（Compute Unified Device Architecture）是著名显卡厂商英伟达推出的一套并行计算架构，该架构充分利用GPU的并行特性，能够高效的解决许多复杂的计算问题，开发人员可以使用C/C++，FORTRAN等多种语言编写CUDA程序，目前CUDA已经被广泛的用于处理计算量巨大的复杂问题，特别是以神经网络为基础的深度学习领域。

支持并行计算的CUDA

在安装CUDA之前确保系统已经安装支持CUDA开发的GPU及其驱动，在Windows下可以通过设备管理器查看当前系统安装的GPU型号，然后可以根据型号查看该GPU对CUDA的支持情况，如下图：

通过设备管理器查看显卡类型

在确认支持CUDA后，可以搜索也可以直接输入网址打开CUDA工具包页面，这里有相关工具的介绍，见下图：

CUDA开发包

点击CUDA Toolkit下面的下载按钮进入下载页面，根据自己的软硬件平台选择合适的选项，如下图：

选择CUDA版本

默认情况下会下载最新的10.2版本，如果想下载其它版本可选择Legacy Releses按钮进入历史版本页面，如下图：

CUDA历史版本

选择需要的版本，将进入与最新版本类似的下载选项页面，下载完成后，打开安装包，根据根据提示完成安装即可。

PyTorch安装

PyTorch中有大量的numpy数组操作，所以在安装PyTorch之前需要先安装numpy，此外在实际应用中根据数据分析的需要，一般还会安装如scipy、pandas、matplotlib等库，在本示例中我们就一并安装。打开windows命令行窗口（linux是终端，命令略有差别），输入命令如下图：

安装Numpy等库

因为numpy已经安装，所以直接跳过。Scipy库因为没有安装需要下载，老码农百兆宽带，下载速度却只能可怜以kb计，关键是有时候还会出错，为了解决这个问题，在网上找到了国内的镜像服务器，输入命令如下图：

使用高内镜像下载

这次速度快了很多，一会儿就下载完成并安装成功，见下图:

依赖库安装成功

依赖库安装成功，准备工作就绪，正式开始PyTorch安装，打开PyTorch官网，如下图：

PyTorch官网安装页面

选择1.5稳定版，喜欢尝鲜的小伙伴也可以选择预览版（不稳定，存在潜在问题），选择系统、安装方式、编程语言、CUDA版本后，会在最下方给出运行命令，正常情况下只需要将该命令复制并在终端窗口执行即可完成安装。

不幸的是，上面官方给出的安装方式，对于国内的广大用户来说，存在下载速度太慢，甚至无法安装的问题，老码农在不同地方尝试都会出现下面问题（翻墙是一种解决办法），见下图：

直接使用官方安装方式会出错

针对这一问题，老码农找到了一个有效的解决办法，打开上面命令最后的网址，会看到如下图内容：

PyTorch安装文件列表

这里显示的是所有可用版本的轮子文件列表，在这里选择自己需要的版本，然后通过右键复制链接，再通过一些下载工具来下载，比如老码农使用迅雷来下载，很快就能完成。在这里需要注意的是，除了要下载PyTorch的轮子文件外，如果是做图像处理方面的应用，需要一并下载TorchVision的轮子文件，安装方式与PyTorch安装类似。

关于文件命名做个简要说明，见下图：

文件命名规则

文件名主要包含四个关键信息，依次是CUDA版本、PyTorch版本、Python版本和系统架构，TorchVision的命名与此类似。

下载完成后，直接通过轮子文件安装，会非常高效，安装完成后会得到如下结果：

PyTorch安装成功

CPU版PyTorch安装与GPU版类似，不同的是CPU版不需要GPU支持，所以在没有GPU显卡的系统也可以运行，也不需要安装CUDA开发包，此外在选择CUDA版本的时候选择None即可，见下图：

CPU版PyTorch安装选项

在安装完成之后，测试一下PyTorch是否能正常工作，在命令行窗口依次输入如下图的命令：

测试PyTorch是否安装成功

如果能看到类似上面的输出结果（这里生成的是一个随机的4x5张量，所以每个人的输出结果会各不相同），那么恭喜你，PyTorch已经安装完毕，可以开始深度学习相关的开发了。

在PyCharm中使用PyTorch

打开PyCharm，输入类似上面的测试代码，并运行程序，如果运行成功，那么恭喜你。不过有些小伙伴可能会出现如下错误：

PyCharm中出现错误

其实这个错误的原因很简单，虽然我们已经安装了PyTorch库，但是PyCharm并不知道，所以需要在PyCharm中导入这些内容，可以通过菜单File->Setting->Project->Project Interpreter设置，见下图：

解释器设置

点击红框中的+号，会出现下面的包管理页面：

包管理器

左侧是可用的有效包列表，因为此处列出的包过多，可以通过红框1出输入包名搜索，选中需要的包后，右侧会出现描述信息，同时可以在红框2处指定想要安装的版本号和特殊选项。最后点击红框3出的按钮安装包即可。

再次测试，出现如下结果：

PyCharm中测试成功

至此，我们已经可以在PyCharm中使用PyTorch进行深度学习相关的开发。虽然PyTorch是一个优秀的开发框架，但是要想灵活高效的使用它，还需要不断的学习和实践。

后记

在下一篇文章中，老码农准备通过一个实例程序来演示使用PyTorch进行图像处理方面的深度学习应用开发，敬请期待。