Python 深度学习笔记

简介

本笔记主要参考自 B 站 爆肝杰哥 的深度学习视频教程。这是本人首次正式系统性地学习深度学习，旨在掌握这一核心技能。

注: 本章环境搭建过程仅作记录，后续实战将主要利用 Kaggle 的免费 GPU 资源完成。

环境搭建与配置

1. Conda 虚拟环境管理

在开始深度学习之前，建议为每个项目创建独立的虚拟环境，以避免依赖冲突。以下是常用的 Conda 命令速查：

基础操作环境创建与删除

# 清屏 (Windows)
cls

# 列出所有环境
conda env list

# 激活虚拟环境
conda activate <环境名>

# 退出当前虚拟环境
conda deactivate

# 创建名为 "env_name" 的环境，指定 Python 版本 (默认在 conda 安装目录下的 envs 中)
conda create -n env_name python=3.9

# 指定路径创建环境 (例如在当前目录下)
conda create --prefix=./env_name python=3.9

# 删除环境 (及其所有包)
conda remove -n env_name --all

2. 常用库管理 (Pip)

进入虚拟环境后，使用 pip 安装所需的科学计算库。

加速安装技巧

使用国内镜像源（如清华源）可以显著提升下载速度： -i https://pypi.tuna.tsinghua.edu.cn/simple

# 查看当前环境下的所有库 (Conda)
conda list

# 查看特定库的版本
pip show numpy

# 安装基础科学计算库 (指定版本示例)
pip install numpy==1.21.5 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install pandas==1.2.4 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install matplotlib==3.5.1 -i https://pypi.tuna.tsinghua.edu.cn/simple

3. GPU 与 CUDA 基础

深度学习通常需要 GPU 加速。理解显卡驱动、CUDA 与 PyTorch 的关系非常重要。

核心概念

• NVIDIA 显卡: 硬件基础。
• CUDA (System): 显卡驱动层面的运算平台。即使有显卡，也需要安装 CUDA Toolkit。
• cuda (PyTorch): PyTorch 库内部集成的 cuda 组件（通常较小）。

版本兼容原则：

System CUDA Version \(\ge\) PyTorch Internal cuda Version

注意

如果运行报错，可能需要更新显卡驱动或重新安装匹配版本的 CUDA Toolkit。

4. PyTorch 安装指南

PyTorch 主要包含三个模块：torch (核心，约 2G)、torchvision (视觉)、torchaudio (音频)。

方法一：官方命令安装（推荐）

访问 PyTorch 官网，选择对应的 OS、Package (Pip)、Language (Python) 和 Compute Platform (CUDA 版本)，获取安装命令。

方法二：离线 Wheel 安装（网络不佳时）

如果直接 pip 安装速度过慢或失败，可以下载 .whl 文件进行离线安装。

1. 访问 PyTorch Wheel 下载站。
2. 下载对应版本 (注意核对 cu 版本, cp python版本, os 系统)。
3. 在虚拟环境中执行安装：

# 示例：安装 PyTorch 1.12.0 (CUDA 11.3, Python 3.9, Windows)
pip install D:\whl\torch-1.12.0+cu113-cp39-cp39-win_amd64.whl 
pip install D:\whl\torchvision-0.13.0+cu113-cp39-cp39-win_amd64.whl 
pip install D:\whl\torchaudio-0.12.0+cu113-cp39-cp39-win_amd64.whl

提示

安装完毕后，即可删除 D:\whl 文件夹（但建议留着备份，之后可能还要安装）。

5. Jupyter Notebook 配置

关联虚拟环境

默认情况下，Jupyter Notebook 可能只能识别 base 环境。为了在 Notebook 中使用我们创建的 DL 环境，需要安装 ipykernel 并注册内核。

步骤如下：

1. 激活环境: conda activate DL
2. 安装 ipykernel:

   pip install ipykernel -i https://pypi.tuna.tsinghua.edu.cn/simple 
   

3. 写入 Kernel:

   # --name 指定内核名称，--user 针对当前用户安装
   python -m ipykernel install --user --name=环境名
   

这样，在启动 Jupyter Notebook 后，就可以在 "Kernel" -> "Change kernel" 中找到 DL 环境了。

Python 基础

本部分梳理了 Python 语言的核心特性，重点关注深度学习常用的基础语法。

1. 变量与数据类型

Python 是动态类型语言，无需显式声明变量类型。

基础类型类型转换

• 整数 (int): 如 10, -5
• 浮点数 (float): 如 3.14, 1.2e-3
• 布尔值 (bool): True, False
• 字符串 (str):用单/双引号包裹，如 'hello', "world"

x = 10
y = float(x)  # 10.0
z = str(y)    # "10.0"

2. 核心数据结构

掌握列表和字典对于数据处理至关重要。

常用容器

• 列表 (list): 有序、可变。li = [1, 2, 3]
• 元组 (tuple): 有序、不可变。tu = (1, 2)
• 字典 (dict): 键值对映射。di = {'name': 'AI', 'ver': 2.0}
• 集合 (set): 无序、去重。se = {1, 2, 3}

# 列表推导式 (List Comprehension) - 高频用法
squares = [x**2 for x in range(5)]  # [0, 1, 4, 9, 16]

3. 程序控制流

条件判断与循环

Python 使用缩进来表示代码块。

# if-elif-else
score = 85
if score >= 90:
    print("A")
elif score >= 60:
    print("B")
else:
    print("C")

# for 循环
for i in range(3):
    print(i)  # 输出 0, 1, 2

# while 循环
n = 0
while n < 3:
    print(n)
    n += 1

4. 函数与模块

函数用于封装代码逻辑，模块用于组织代码结构。

函数定义模块导入

def add(a, b=1):
    """返回 a + b，b 默认为 1"""
    return a + b

result = add(5)  # 6

import math
print(math.pi)

# 常用别名导入
import numpy as np
import pandas as pd

学习建议

对于深度学习，切勿在此阶段深究 Python 的所有细节。掌握上述基础后，即可直接进入库的学习（如 Numpy, PyTorch），在实践中补充高级特性。

NumPy 科学计算库

NumPy 是 Python 进行科学计算的基础包，提供高性能的多维数组对象（ndarray）及相关操作，是几乎所有深度学习框架（如 PyTorch, TensorFlow）的数据处理基石。

常用导入惯例：

import numpy as np

1. 数组创建 (Creation)

深度学习中常需要初始化特定的数组作为输入数据或模型参数。

基础创建常用生成函数随机数生成

# 从列表创建
arr = np.array([1, 2, 3])

# 指定数据类型（重要：深度学习常默认 float32）
arr_f = np.array([1, 2, 3], dtype=np.float32)

# 全 0 数组 (常用于初始化)
z = np.zeros((3, 4))  # 3行4列

# 全 1 数组
o = np.ones((2, 3))

# 等差数列 [0, 2, 4, 6, 8]
a = np.arange(0, 10, 2)

# 线性等分 (0到1之间5个点)
l = np.linspace(0, 1, 5)

参数初始化常用。

# 均匀分布 [0, 1)
r1 = np.random.rand(3, 3)

# 标准正态分布 (均值0, 方差1) - 权重初始化常用
r2 = np.random.randn(3, 3)

# 随机整数 [low, high)
r3 = np.random.randint(0, 10, size=(2, 2))

# 固定随机种子（复现实验结果必备）
np.random.seed(42)

2. 数组属性 (Attributes)

调试神经网络时，经常需要检查张量的形状。

属性	说明	示例
arr.ndim	维度数 (秩)	2 (矩阵), 3 (张量)
arr.shape	形状 (各维度大小)	(3, 4) (3行4列)
arr.size	元素总数	12
arr.dtype	元素数据类型	float32, int64

3. 索引与切片 (Indexing)

NumPy 的切片操作比 Python 列表更强大，支持高维操作。

data = np.random.randn(5, 4)  # 5行4列的数据

# 基础切片 [行, 列]
row_1 = data[0, :]    # 第0行所有元素
col_1 = data[:, 1]    # 第1列所有元素
part = data[1:3, 0:2] # 第1~2行，第0~1列

# 布尔索引 (条件筛选) - 非常实用
mask = data > 0
positive = data[mask] # 选出所有大于0的元素（结果展平为1维）

视图 vs 副本

NumPy 切片通常返回视图（View），修改切片会直接修改原数组。 如果需要独立副本，请使用 .copy() 方法。

4. 维度变换 (Reshape)

深度学习中经常需要在不同层之间转换数据形状（如 Flatten、Batch处理）。

形状改变维度展平与转置

arr = np.arange(12)

# 改变形状 (不复制数据)
new_arr = arr.reshape(3, 4)

# 自动推导维度 (-1)
# 系统会自动计算列数为4 (12 / 3 = 4)
auto_arr = arr.reshape(3, -1) 

# 展平为一维 (常用在全连接层前)
flat = arr.flatten()

# 转置 (矩阵操作)
t = new_arr.T 
# 或者指定轴交换 (Transposing axes)
t2 = new_arr.transpose(1, 0)

5. 运算与广播 (Broadcasting)

NumPy 支持向量化运算，速度远快于 Python 循环。

广播机制 (Broadcasting) 是 NumPy 的核心特性，允许不同形状的数组在算术运算期间进行处理（如矩阵加向量）。

规则：从后缘维度（最后一维）开始比较，如果维度相等或其中一个为 1，则可以广播。

A = np.ones((3, 4))
b = np.arange(4)     # shape (4,) -> Broadcasats to (1, 4) -> (3, 4)

C = A + b  # b 会被加到 A 的每一行上

6. 常用数学与统计函数

arr = np.random.randn(3, 4)

# 聚合运算
s = np.sum(arr)          # 所有元素求和
m = np.mean(arr, axis=0) # 按列求均值 (压缩行，保留列特征)
mx = np.max(arr, axis=1) # 按行求最大值

# 矩阵乘法 (注意区分元素乘法 *)
A = np.ones((2, 3))
B = np.ones((3, 2))

C = np.dot(A, B) # 还有更现代的写法: C = A @ B