深度学习从零开始_安装d21

在学习深度学习前，我们首先需要搭建一个软件开发平台，我们使用的平台是Pytorch加OpenCV，因此我们需要先安装这两个包。

一. 安装Pytorch以及OpenCV

1. 安装d2l包,方便调取《动手学深度学习》中经常使用的函数和类

在终端输入pip install d21==0.17.5

问题：安装d21包报错Could not find a version that satisfies the requirement d21==0.17.5 (from versions: none)

解决方法：在该源中找不到指定版本，需要手动切换版本下载。pip install -i https://pypi.douban.com/simple/ d2l

2. 安装vscode并添加python、Jupyter等扩展插件，选择合适的python解释器（这里没有使用虚拟环境，因此不用安装anaconda）

3. 安装使用Juypter，按ctrl+shift+p，在界面上输入>create，选择Create: 新Jupyter Notebook，然后就进入到notebook中

打印hello world测试运行

4. 安装opencv

在终端运行pip install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-python==4.5.1.48

问题：安装报错

解决方法：opencv版本与python不对应，需要安装对应版本的opencv，直接运行pip install opencv-python即可

（这里是之前已安装过的）

运行如下代码测试

import cv2
img = cv2.imread('D:/test/QQ.png')
if img is None:
    print('empty image')
    exit()
 
cv2.namedWindow('image')
cv2.imshow('image', img)
cv2.waitKey()
cv2.destroyAllWindows()

问题：vscode报错no module named cv2，导入cv2包失败

解决方法：选择正确的解释器，即opencv安装的python版本。

5. 安装pytorch

在终端运行pip install torch-1.9.0+cu111-cp38-cp38-win_amd64.wdl

问题：安装报错

解决方法：进入pytorch官网https://pytorch.org/选择合适版本安装

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117

（以下为已安装pytorch后显示已安装）

运行如下代码测试

import torch # 如正常则静默
 
a = torch.Tensor([1.]) # 如正常则静默
 
a.cuda() # 如正常则返回"tensor([ 1.], device='cuda:0')"
 
from torch.backends import cudnn # 如正常则静默
 
print(cudnn.is_acceptable(a.cuda())) # 如正常则返回 "True"

 二、标量、向量、矩阵、Tensor

标量、向量、矩阵是我们在深度学习中会经常用到的数据结构，因此在开始学习前，我们需要首先掌握这三个数据结构的基本知识以及使用Tensor分别表示这三个数据结构以及对其的简单操作

1. 标量用普通小写字母表示，使用tensor表示则为只有一个元素的张量，如torch.tensor(4.0)
2. 向量用粗体小写字母表示，使用一维张量表示向量，向量长度只受机器内存限制，例torch.arange(2) （[0, 1, 2]），使用中括号访问向量中的元素，如x[1]（1）
3. 矩阵用粗体大写字母表示，为向量从一阶推广到二阶，用二维张量表示，如torch.arange(6).reshape(2, 3) （[0, 1, 2]，[3, 4, 5]），矩阵的转置A.T

tensor基本机制和部分矩阵操作 ：

1. Tensor广播机制

x = torch.arange(3, 6).view(1, 3)
print(x)
y = torch.arange(4, 9).view(5, 1)
print(y)
print(x + y)

# 创建一个2*3*4的矩阵
A = torch.ones(2, 3, 4)
 
print(A)
# 在0轴上求和
print(A.sum(axis = 0).size())
# 在1轴上求和
print(A.sum(axis = 1).size())
# 在2轴上求和
print(A.sum(axis = 2).size())

# 创建5*2的矩阵，矩阵元素取值为0-9
A = torch.arange(10, dtype = torch.float32).reshape(5, 2)
# 创建5*1的矩阵，矩阵元素取值为2-6
B = torch.arange(2, 7, dtype = torch.float32).reshape(5, 1)
 
print(A)
 
print(B)
 
print(A / B)
# 在1轴上求和
print(A.sum(axis = 1))
# 与原矩阵运算
print(A / A.sum(axis = 1, keepdims=True))
 
print(A / A.sum(axis = 1))

三、自动求梯度

在深度学习中，我们经常使用梯度下降法来优化模型参数，因此需要经常计算梯度。但梯度计算非常繁琐，且手动计算非常容易出错，因此我们使用Pytorch来自动求梯度。

PyTorch提供的autograd包能够根据输入和前向传播过程自动构建计算图，并执行反向传播。

创建一个张量并设置requires_grad=True，它将开始自动跟踪在该张量上的所有操作，使用.backward()即可完成所有梯度的计算，梯度会累加进.grad属性中

AutoGrad自动求梯度

# 创建4*4的以1填充的矩阵，并开启自动求梯度
x = torch.ones(4, 4, requires_grad=True)
y = x + 3
z = y ** 3
# 计算矩阵z的平均值（对z进行降维成标量，以进行求和）
out = z.mean()
# 反向传播
out.backward()
# 打印梯度
print(x.grad)