linux安装conda李沐

### 配置和安装李沐深度学习教程所需环境 #### 1. 安装基础操作系统 首先，在亚马逊云或其他虚拟机服务提供商处创建一台基于 Ubuntu 的实例，推荐使用 Ubuntu 18.04 或更高版本。这一步已经在引用中提到过[^1]。 #### 2. 更新系统并安装必要工具 为了确保系统的稳定性和兼容性，建议先更新系统软件包，并安装一些必要的开发工具： ```bash sudo apt update && sudo apt upgrade -y sudo apt install build-essential cmake git unzip wget vim nano htop tmux screen -y ``` #### 3. 安装 Miniconda Miniconda 是一个轻量级的 Conda 发行版，用于管理 Python 虚拟环境以及依赖项。以下是具体的安装步骤： - 下载最新版本的 Miniconda 并完成安装： ```bash wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh ``` 按照提示操作完成后，重启终端以使更改生效。 #### 4. 创建 Conda 环境 根据需求选择是否需要 GPU 支持。如果没有 GPU，则可以仅安装 CPU 版本；如果有 NVIDIA 显卡支持 CUDA，则需额外配置 GPU 环境。 对于 **CPU 版本**，可以直接通过以下命令创建一个新的 Conda 环境 `gluon` 使用 Python 3.7[^3]: ```bash conda create -n gluon python=3.7 conda activate gluon ``` 对于 **GPU 版本**，还需要指定合适的 CUDA 和 cuDNN 版本。假设目标是 CUDA 11.x (实际可能为 12.5.0)[^2]，则可以通过 pip 进行安装： ```bash pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 ``` #### 5. 安装 MXNet 或其他框架 如果计划跟随李沐老师的课程实践，可以选择安装 MXNet 框架作为主要计算引擎之一。针对不同硬件条件分别执行下面两条指令中的某一条： - 对于无 GPU 设备的情况： ```bash pip install mxnet ``` - 若存在可用的 NVIDIA GPU 及其驱动程序已正确加载，则应改用带 GPU 加速功能的支持库形式： ```bash pip install mxnet-cu112 ``` 注意替换上述链接中的 CUDA 版本号至当前所使用的数值范围之内。 #### 6. 获取《动手学深度学习》代码资源 最后从官方仓库克隆项目源码或者直接下载 ZIP 文件解压到工作目录下[^4]: 方法一：Git Clone 方式获取最新分支内容； ```bash git clone https://github.com/d2l-ai/d2l-zh.git cd d2l-zh/ ``` 方法二：手动下载压缩包后提取文件； ```bash mkdir d2l-zh && cd d2l-zh curl https://zh.d2l.ai/d2l-zh-1.0.zip -o d2l-zh.zip unzip d2l-zh.zip && rm d2l-zh.zip ``` 至此整个流程结束，现在可以在本地启动 Jupyter Notebook 来浏览交互式的笔记本文档[^5]: ```bash jupyter notebook ```

### 如何安装李沐的d2l教程 #### 1. 创建并激活虚拟环境 为了确保安装过程顺利以及避免与其他项目冲突，建议先创建一个新的Conda虚拟环境。通过以下命令完成： ```bash conda create -n d2l_env python=3.8 conda activate d2l_env ``` 这一步可以有效隔离依赖项，减少潜在问题的发生[^1]。 --- #### 2. 安装PyTorch 由于李沐的《动手学深度学习》主要基于PyTorch框架，因此需要先安装合适的版本。可以通过官方推荐的方式进行安装： 对于CUDA支持的GPU设备： ```bash pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 ``` 如果仅需CPU版，则执行以下命令： ```bash pip install torch torchvision torchaudio ``` 确认PyTorch已成功安装并通过测试代码验证其功能是否正常[^4]: ```python import torch print(torch.cuda.is_available()) # 输出True表示有可用的CUDA GPU ``` --- #### 3. 安装d2l库 目前存在多种方式来安装d2l库，以下是几种常见方法及其注意事项： ##### 方法一：通过Pip直接安装 最简单的方法是从Python Package Index (PyPI)获取最新稳定版本： ```bash pip install d2l ``` 然而，在某些情况下可能会遇到权限不足的问题（如报错 `[WinError 5] 拒绝访问`），此时可通过添加 `--user` 参数解决： ```bash pip install d2l --user ``` 或者尝试更换国内镜像源加速下载速度： ```bash pip install d2l -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com ``` 注意更新本地Pip工具至最新版本以兼容更多资源： ```bash python -m pip install --upgrade pip ``` 以上操作均适用于Windows/Linux/MacOS平台用户[^3]。 ##### 方法二：手动下载Whl文件安装 当网络条件较差或特定需求无法满足时，可以选择离线模式安装预编译好的Wheel包。具体流程如下： - 访问地址 [https://www.cnpython.com/pypi/d2l](https://www.cnpython.com/pypi/d2l)，找到对应版本号链接； - 下载完成后将其放置于目标目录下，并切换到该位置启动命令行界面； - 执行以下语句完成加载工作： ```bash pip install ./d2l-x.x.x-py3-none-any.whl ``` 这种方法特别适合那些受限于防火墙或其他外部因素影响而难以在线即时同步的情况[^2]。 --- #### 4. 常见错误处理 针对实际应用过程中可能出现的一些典型异常现象提供解决方案： - **AttributeError: module 'torch' has no attribute 'plot'** 此类提示通常是因为调用了不存在的功能模块所致。请仔细核对文档说明中的API定义部分，确保使用的函数名称完全一致[^1]。 - **Import “...“ could not be resolved** 如果VSCode编辑器显示红色波浪线下划线警告信息，则可能是IDE内部索引机制未能及时刷新引起误判。前往设置页面调整参数配置即可缓解症状： 设置路径为：“Python › Analysis: Extra Paths”，增加当前项目的根目录作为额外扫描范围之一[^2]。 - **Permission Denied Errors During Installation** 当遭遇类似拒绝写入指定磁盘分区的现象发生时，请务必检查管理员身份运行状态；另外也可以考虑修改默认安装路径避开受保护区域限制[^3]。 --- #### 5. 测试与初步体验 一切准备妥当之后便能够着手实践第一个例子啦！下面给出一段简单的演示脚本供参考： ```python from d2l import torch as d2l def test_d2l(): data = list(range(1, 10)) loader = d2l.load_array((data,), batch_size=3) for X in loader: print(X) test_d2l() ``` 运行结果应该逐批次打印出数组元素集合[^2]。 ---