配环境 / 初步测试

配各种乱七八糟的环境和弄一些需要的包，花了我好几天才捋清楚，这里记录一下准备阶段用到的东西

miniconda

精简版的anaconda，之前下过anaconda，一直不了解怎么用，这又把miniconda下上了，用了用感觉还可以

然后我是直接pip了整个包，没有env然后activate，因为比较初学者，，，对于各种操作不大熟悉，就直接最简单粗暴的了。

这里还有就是pip速度有时候很慢，有几个国内源可以换，换成了清华源。

速度明显提高了

之后大概了解了一下，base是默认的环境，在conda中可以创建虚拟环境，通过env语句，然后通过activate可以激活当前的虚拟环境，在使用时的pip等操作是装进虚拟环境中的，都存放在了envs文件夹中，这样就实现了多环境的隔离，我目前用不到，所以将全部的包装进base环境中

 这样就是激活了虚拟环境 

pytorch / tensorflow

两种最常见的框架，我也不是很懂其中的区别，学长让我按照pytorch学习，看的视频教程也是围绕pytorch的，那就学这个吧

好像还有一种框架叫MXNET。。没了解

cuda / cudnn

cuda这个工具包作用是把程序/模型跑到GPU上（我的3060终于有了游戏之外的用武之地），​是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。 

这波直接劝退amd用户，，，

这里可以看到程序跑在了gpu上，（cuda）

深度神经网络库（cuDNN）是GPU加速的用于深度神经网络的原语库。cuDNN为标准例程提供了高度优化的实现，例如向前和向后卷积，池化，规范化和激活层。

其实就是一个加速库，CUDA实现了可以调用GPU，cuDNN实现了使CUDA更符合深度神经网络的使用。但是我只下载下来了，还没给配上，等到需要的时候再搞。

Jupyter Notebook

非常好用的一个东西，能够在上面写代码，运行代码，跑模型，数据可视化等等

现在还在初用阶段

动手跑一下

这里我试跑了一个模型

 这里有可视化

这里的可视化可以看到训练精度和训练损失的变化，训练速度是每秒处理2421张样本，cuda(0)。

深度学习的第一步大概就这样开始了。。希望这个暑假能多学多练