李沐深度学习环境安装mac
时间: 2023-12-17 08:26:41 浏览: 246
以下是在Mac上安装李沐深度学习环境的步骤:
1.安装包管理工具Homebrew。在终端中输入以下命令:
```
/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"
```
2.安装Miniforge。在终端中输入以下命令:
```
brew install --cask miniforge
```
3.创建虚拟环境。在终端中输入以下命令:
```
conda create -n d2l python=3.8
```
4.激活虚拟环境。在终端中输入以下命令:
```
conda activate d2l
```
5.安装PyTorch。在终端中输入以下命令:
```
pip install torch torchvision torchaudio
```
6.下载李沐Jupyter文件。在终端中输入以下命令:
```
git clone https://github.com/d2l-ai/d2l-en.git
```
7.启动Jupyter Notebook。在终端中输入以下命令:
```
cd d2l-en
jupyter notebook
```
8.在浏览器中打开Jupyter Notebook,并选择要运行的代码。
相关问题
李沐深度学习环境安装
### 李沐深度学习环境配置安装教程
#### 1. Anaconda 的安装
为了搭建李沐《动手学深度学习》所需的开发环境,首先需要安装 Anaconda。Anaconda 是一个开源的数据科学平台,包含了 Python 和大量的数据处理工具包[^1]。
下载并安装最新版本的 Anaconda 后,可以通过以下方式验证安装是否成功:
```bash
conda --version
```
如果显示 Conda 版本号,则说明安装成功。
---
#### 2. 创建虚拟环境
为了避免不同项目之间的依赖冲突,建议为深度学习项目创建独立的虚拟环境。通过以下命令可以完成虚拟环境的创建:
```bash
conda create -n d2l python=3.9
```
这里我们将虚拟环境命名为 `d2l` 并指定 Python 版本为 3.9[^4]。
激活该虚拟环境:
```bash
conda activate d2l
```
---
#### 3. 配置 PyTorch (支持 GPU 加速)
对于深度学习框架的选择,《动手学深度学习》推荐使用 PyTorch。以下是基于 CUDA 支持的 PyTorch 安装方法:
运行以下命令来安装支持 GPU 的 PyTorch(假设您的显卡驱动已正确安装,并且支持 CUDA 11.0 或更高版本):
```bash
conda install pytorch==1.7.0 torchvision==0.8.0 torchaudio==0.7.0 cudatoolkit=11.0 -c pytorch
```
此命令会自动安装与 CUDA 工具链兼容的 PyTorch 及其相关组件[^5]。
如果您不需要 GPU 支持,也可以选择 CPU-only 版本:
```bash
conda install pytorch torchvision torchaudio cpuonly -c pytorch
```
---
#### 4. Jupyter Notebook 的配置
Jupyter Notebook 是一种交互式的编程环境,非常适合用于实验和调试代码。在虚拟环境中启用 Jupyter Notebook:
确保您已经安装了 Jupyter:
```bash
conda install jupyterlab
```
启动 Jupyter Lab:
```bash
jupyter lab
```
当您希望在特定虚拟环境下工作时,可能需要手动加载对应环境中的 kernel。执行如下操作以注册当前虚拟环境到 Jupyter 中:
```bash
python -m ipykernel install --user --name=d2l --display-name "Python (D2L)"
```
这样可以在 Jupyter 界面中看到名为 **Python (D2L)** 的选项[^3]。
---
#### 5. 下载并解压课程资源
访问官方教材地址 https://zh-v2.d2l.ai/ ,找到配套源码链接 `d2l-zh.zip` 文件。将其保存至用户目录下的 “李沐课程” 文件夹中[^2]。
随后解压缩文件:
```bash
unzip d2l-zh.zip -d ./d2l-course/
```
进入解压后的路径即可查看所有章节对应的代码实现。
---
#### 6. 测试环境是否正常
最后一步是对整个流程进行测试,确认各部分功能无误。打开任意一节练习笔记本文档 `.ipynb` 运行单元格观察是否有错误提示。如果没有异常则表明环境部署完毕!
---
### 总结
以上步骤涵盖了从基础软件准备到具体实践所需的一切环节。按照上述指南逐步实施能够顺利构建适合阅读《动手学深度学习》书籍的学习场所。
李沐深度学习环境安装amd显卡
### 李沐深度学习环境安装与AMD显卡配置
目前主流的深度学习框架(如TensorFlow和PyTorch)主要支持NVIDIA CUDA作为加速计算的核心技术,而CUDA仅适用于NVIDIA GPU。因此,在使用AMD显卡的情况下,无法直接利用CUDA进行加速[^2]。
然而,对于AMD显卡用户来说,可以选择ROCm(Radeon Open Compute),这是由AMD开发的一套开源异构计算平台,旨在提供类似于CUDA的功能。以下是针对李沐《动手学深度学习》一书所涉及的环境配置方法:
#### ROCm环境搭建
1. **确认硬件兼容性**
需要确保使用的AMD显卡型号支持最新的ROCm版本。可以访问官方文档页面查询具体的GPU兼容列表[^3]。
2. **操作系统准备**
推荐使用Ubuntu LTS发行版,例如20.04或更高版本。Windows系统尚不完全支持ROCm,所以可能需要切换到Linux环境[^4]。
3. **安装ROCm驱动及相关组件**
访问[ROCm官方网站](https://rocm.github.io/)获取最新安装指南。通常流程包括更新包管理器索引、添加ROCm仓库以及执行实际安装命令:
```bash
sudo apt update && sudo apt install rocm-dkms
```
4. **验证安装成果**
类似于`nvidia-smi`工具用于检测NVIDIA设备状态,可以通过运行`rocminfo`或者简单的OpenCL测试程序来检查当前系统的设置是否正常工作[^5]。
#### Anaconda虚拟环境下集成PyTorch with ROCm
由于大多数预编译好的科学计算库默认捆绑了对CUDA的支持选项,所以在构建适合AMD架构的工作区之前还需特别留意几个要点:
- 创建一个新的Conda environment,并指定Python解释器版本号为书中推荐的标准值之一——比如3.8。
```bash
conda create -n d2l-amd python=3.8
source activate d2l-amd
```
- 安装适配ROCm特性的PyTorch二进制文件而非常规渠道分发的内容。这一步骤至关重要,因为它决定了后续训练模型能否充分利用图形处理器资源提升效率。
```bash
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/rocm5.4
```
最后按照教材指示逐步加载依赖项清单,同时调整某些特定参数以适应本地条件差异。值得注意的是,部分第三方扩展模块或许尚未完善其跨平台移植能力,遇到困难时可尝试联系社区寻求帮助解决难题。
---
阅读全文
相关推荐
















