深度学习笔记----Anaconda及开发环境搭建

在学习了一段时间台大李宏毅关于deep learning的课程，以及一些其他机器学习的书之后，终于打算开始动手进行一些实践了。

感觉保完研之后散养状态下，学习效率太低了，于是便想白天学习，晚上对白天学习的知识做一些总结和记录，如果有不妥的地方，欢迎大家批评指教，共同进步。

一、深度学习框架的选择

随着深度学习日趋火热，技术的逐渐兴起，各种深度学习框架也层出不穷。

目前使用普遍的框架有Tensorflow、Caffe、PyTorch、Theano、CNTK等，那么在这么多框架中该如何选择呢？

笔者作为一个初学者，架不住Tensorflow的名气之大，所以最开始便选择了Tensorflow。当然不仅仅只是因为名气大，Tensorflow作为谷歌主持的开源项目，它的社区热度目前看来是旺盛的，而且现在也最为流行。听说，它是在谷歌总结了DistBelief的经验教训上形成的；它运行高效、可扩展性强，可以运行在手机、普通电脑、计算机群上。

下面再简单介绍一下其他深度学习框架的特点：

（1） Caffe：卷积神经网络框架，专注于卷积神经网络和图像处理，因为是基于C++语言，所以执行速度非常的快。

（2） PyTorch：动态computation graph！！！（笔者学习Tensorflow一段后，便会转学PyTorch试试看）

（3） Theano：因其定义复杂模型很容易，在研究中比较流行。

（4） CNTK：微软开发的，微软称其在语音和图像识别方面比其他框架更有优势。不过代码只支持C++.

Tensorflow的一些特性就不再说了，网络上相关资料也有很多。

下面就介绍一下Tensorflow的安装，笔者的安装顺序是首先安装Anaconda、然后安装Tensorflow、再安装Pycharm。

二、安装Anaconda

安装环境：
机器配置

虽然笔者用的是mac，自带了Python，但是还是先安装了Anaconda（点击进入官网）。因为它集成了很多Python的第三方库，而且可以方便的管理不同版本的Python，在不同版本的Python之间切换。而且Anaconda是一个科学计算环境，在电脑上安装完Anaconda之后，除了相当于安装了Python，也安装好了一些常用的库。

安装好Anaconda

笔者安装的是Python 2.7版的Anaconda，在安装好Anaconda之后，就已经安装好了Python和一些常用的库了。此外，还自动安装了Spyder。

Spyder是Python一个简单的集成开发环境，和其他的Python开发环境相比，它最大的优点就是模仿MATLAB的“工作空间”的功能，可以很方便地观察和修改数组的值。

在终端中输入Spyder就可以打开它了，如下图所示：

这里写图片描述

但是笔者更喜欢使用Pycharm作为开发环境

三、建立、激活、安装Tensorflow

打开终端，在上面输入：

conda create -n tensorflow python=2.7

建立Tensorflow运行环境

然后等执行完毕之后，再执行：

source activate tensorflow

至此就激活了运行环境。

然后再执行pip install tensorflow以进行Tensorflow的安装。

然后再执行以下Hello Tensorflow代码测试Tensorflow是否安装成

import tensorflow as tf
hello = tf.constant('Hello Tensorflow!')
sess = tf.Session()
print(sess.run(hello))

a = tf.constant(10)
b = tf.constant(32)
printf(sess.run(a+b))

如果正常的话会提示：

    Hello Tensorflow!
    42

四、PyCharm IDE

一直使用终端开发的话，实在是太过难用了。笔者选择了PyCharm作为开发环境，官网链接。这里笔者用的是社区版（free）。

（1）首先新建一个Pycharm的工程
Pycharm新建工程

因为是做Tensorflow的开发，所以这里我们只需要选择图中所示的interpreter即可。

~/anaconda2/envs/tensorflow/bin/python

这样就把Tensorflow环境包括了进来，超级方便。

如果平时开发，想用一些轻量级的环境，就选择其他Python解释器就可以了。

（2）运行一个demo进行测试

import tensorflow as tf
hello = tf.constant('Hello, Tensorflow!')
sess = tf.Session()
print(sess.run(hello))

a = tf.constant(66)
b = tf.constant(88)
print(sess.run(a + b))

这里写图片描述