安装PyTorch（豆瓣源）
 
pip3 install http://download.pytorch.org/whl/cu90/torch-0.4.1-cp36-cp36m-win_amd64.whl --user  -i http://pypi.douban.com/

前言
 
深度神经网络是一种目前被广泛使用的工具，可以用于图像识别、分类，物体检测，机器翻译等等。深度学习（DeepLearning）是一种学习神经网络各种参数的方法。因此，我们将要介绍的深度学习，指的是构建神经网络结构，并且运用各种深度学习算法训练网络参数，进而解决各种任务。本文从PyTorch环境配置开始。PyTorch是一种Python接口的深度学习框架，使用灵活，学习方便。还有其他主流的深度学习框架，例如Caffe，TensorFlow，CNTK等等，各有千秋。笔者认为，初期学习还是选择一种入门，不要期望全都学会。须知，发力集中才能深入挖掘。乱花渐欲迷人眼，选择适合自己的，从一而终，相信会对科研大有裨益!
 
***************************************************
 
说明：本文乃至本系列全部文章都是在PyTorch0.2版本下做的。现在版本更新了很多，会有一些API的更改，请大家注意Follow最新的变化，以免由于版本问题受到困扰。
 
***************************************************
 
1. 环境说明
 
PyTorch目前支持OSX和Linux两种系统，并且支持多种安装方式。在官网上介绍了基于conda，pip和源代码编译几种不同的安装方式。支持的Python版本有2.7，3.5和3.6。鉴于深度学习需要的计算量一般比较大，强烈建议找到一个有独立显卡的电脑来展开学习，当然没有显卡也能用，就是计算慢很多了。
 
如果你的电脑是Windows，那么可以安装一个虚拟机来运行Linux，但是性能可能会折扣。我的电脑操作系统是Ubuntu16.04，所以我会以此为例子来介绍后面的内容。
 
 
 
 
2. Anaconda 和Python
 
PackageManager我们选择conda，于是我们需要安装Anaconda这个功能强大的包，下载地质：https://www.anaconda.com/download/#linux 。里面包含了conda工具，也有Python，以及很多Python需要的扩展工具包。选择2.7版本，下载并安装即可。接下来，如果有显卡，进入第3步；没有显卡直接到第4步。
 
 
 
 
3. 显卡驱动和CUDA
 
要使用显卡进行运算，你需要使用支持CUDA的NVIDIA显卡，目前比较好的显卡有NVIDIATITANX、GTX1080Ti 等。好的显卡将会是深度学习研究的有力武器。当然，普通的显卡例如GTX970、GTX1060等也是可以用的。实在没有显卡，那只能做简单的小数据量的实验，效果不会太好。
 
在Ubuntu16.04上可以采用以下方法安装显卡驱动，这种方式比较稳定。打开“SystemSettings”——“Software&Updates” —— “AdditionalDrivers”，联网状态会自动搜索可用的显卡驱动，选择可用的版本，点击“ApplyChanges”即可。可能重启动后显卡驱动才能生效。
 
接下来安装CUDAToolkit。因为最新的CUDA是9.0版本，但是PyTorch只能支持到8.0。所以转到该网址“https://developer.nvidia.com/cuda-80-ga2-download-archive”，选择对应的参数，下方会有对应的CUDA文件。例如，下图是我选择的版本。选择deb文件，发现有1.9G大小，下载下来，按照baseinstaller的指示来完成安装。附加的cuBLAS也可以下载下来安装上。
 
CUDA安装完成后，在主目录下打开“.bachrc”文件，在末尾添加如下代码：
 
export PATH=/usr/local/cuda-8.0/bin${PATH:+:${PATH}}
 export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
 export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
 
 
 
 
 
 
 
4. 运行PyTorch的安装命令
 
如果你和我一样，采用8.0CUDA，2.7版本Python，可以运行以下命令：
 
conda install pytorch torchvision cuda80 -c soumith
 
如果没有显卡，2.7版本Python，可以这样：
 
conda install pytorch torchvision -c soumith
 
 
 
5. 验证安装是否成功
 
要显示显卡信息，在终端输入：
 
sudo lshw -c video
 
 
 
要显示CUDA信息，在终端输入：
 
nvcc -V
 
 
 
查看Phthon版本，在终端输入：
 
python --version
 
 
 
验证pytorch是否安装成功，在终端输入：
 
python
 
此时进入python环境。然后，继续输入
 
import torch
 
import torchvision
 
不报错就表明安装成功。
 
 
 
 
 
 

安装步骤
 
1.检查是否有合适的GPU, 若有安装Cuda与CuDNN
 
2.下载pytorch安装文件，进行pytorch的安装
 
检查电脑是否有合适的GPU
 
在桌面上右击如果能找到NVIDA控制面板，则说明该电脑有GPU。控制面板如下，并通过查看系统信息获取支持的Cuda版本
 
 
点击 帮助->点击 系统信息 弹出下面的对话框，在驱动程序版本那一栏就能看到该计算机使用的驱动版本。
 
 
 
 
下载Cuda
 
官网：https://developer.nvidia.com/cuda-10.1-download-archive-update2
 
在https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html 这里可以查询到我们应该下载哪个版本
 
 
然后，根据实际情况选择合适的版本
 
 
下载CuDNN 
 
官网 https://developer.nvidia.com/rdp/cudnn-download
 
 
 
安装Cuda
 
1.与安装其他的软件类似
 
2.安装结束后将  ~/nvcc/bin(因为版本的不同可能在不同的地方) 目录添加到环境变量
 
3.在命令行下输入 nvcc -V, 出现下列信息说明Cuda安装成功
 
 
4.将CuDNN压缩包解压后，下面的三个文件夹复制到Cuda的安装目录下
 
 
5.然后执行Demo, 如果Demo中显示PASS则说明安装成功
 
 
 
 
安装Pytorch
 
官网 https://download.pytorch.org/whl/torch_stable.html 选择合适的版本
 
torch/torchvision 都需要安装
 
 
 
 
 
 
验证Pytorch
 
 
 
 
安装成功
 
通过上面输出的信息，说明安装是成功的

本人在读研期间的研究方向是图像处理以及深度学习（主要是图像分类和目标检测）。在做深度学习时使用的是tensorflow深度学习框架，学习全是自学，很多资源都是在Github上找的。我发现现在Github上很多深度学习的开源项目都是用的tensorflow和pytorch框架。所以现在也开始学习pytorch框架，之前一直用的是tensorflow1.x版本，今年正好迎来了新的tensorlfow大版本2.x时代，所以本教程主要是以tensorflow2.2以及pytorch1.6搭建模型。
 写这篇博文的目的嘛，首先是巩固自己之前学的知识，其次学习pytorch以及强化tensorflow的使用，最后也能分享自己的学习心得，我想应该能帮到大家少踩点坑。
 本教程的初步规划如下，针对每个模块我会先讲下原理，然后带着大家分别使用tensorflow2.2和pytorch1.6去搭建并训练网络，其中也会穿插着讲些我觉得需要注意的地方，以及一些坑，本教程所使用的代码我会放在我的GitHub中，大家可以自行下载使用：
 https://github.com/WZMIAOMIAO/deep-learning-for-image-processing
 
我的bilibili频道：
 https://space.bilibili.com/18161609/channel/index
 
 
教程目录，点击跳转相应视频（后期会根据学习内容增加）
 
 
图像分类
 
  
 
LeNet（已完成）
 
    
Pytorch官方demo(Lenet)
Tensorflow2官方demo
 
 
AlexNet（已完成）
 
    
AlexNet网络讲解
Pytorch搭建AlexNet
Tensorflow2搭建Alexnet
 
 
VggNet（已完成）
 
    
VggNet网络讲解
Pytorch搭建VGG网络
Tensorflow2搭建VGG网络
 
 
GoogLeNet（已完成）
 
    
GoogLeNet网络讲解
Pytorch搭建GoogLeNet网络
Tensorflow2搭建GoogLeNet网络
 
 
ResNet（已完成）
 
    
ResNet网络讲解
ResNeXt网络讲解
Pytorch搭建ResNet网络
Pytorch搭建ResNeXt网络
Tensorflow2搭建ResNet网络
 
 
MobileNet（已完成）
 
    
MobileNet_v1_v2网络讲解
MobileNet_v3网络讲解
Pytorch搭建MobileNetV2网络
Pytorch搭建MobileNetV3网络
Tensorflow2搭建MobileNetV2网络
Tensorflow2搭建MobileNetV3网络
 
 
ShuffleNet (已完成)
 
    
ShuffleNet_v1_v2网络讲解
使用Pytorch搭建ShuffleNetv2
使用Tensorflow2搭建ShuffleNetv2
 
 
EfficientNet（已完成）
 
    
EfficientNet网络讲解
使用Pytorch搭建EfficientNet
使用Tensorflow2搭建EfficientNet
 
 
EfficientNetv2(已完成)
 
    
EfficientNetV2网络讲解
使用Pytorch搭建EfficientNetV2
使用Tensorflow搭建EfficientNetV2
 
 
Vision Transformer(已完成)
 
    
Multi-Head Attention讲解
Vision Transformer网络讲解
使用Pytorch搭建Vision Transformer
使用tensorflow2搭建Vision Transformer
 
 
 
目标检测篇
 
  
 
Faster-RCNN/FPN（已完成）
 
    
Faster-RCNN网络讲解
FPN网络讲解
Faster-RCNN源码解析(Pytorch)
 
 
SSD/RetinaNet (已完成)
 
    
SSD网络讲解
RetinaNet网络讲解
SSD源码解析(Pytorch)
 
 
YOLOv3 SPP (进行中)
 
    
YOLO系列网络讲解
YOLOv3 SPP源码解析(Pytorch版)
 
 
 
语义分割
 
  
FCN (进行中) 
    
FCN网络详解
 
DeepLabV3
 
 
 
所需环境
 
Anaconda3（建议使用）
python3.6 / 3.7
pycharm (IDE)
pytorch 1.6 (pip package)
torchvision 0.7.0 (pip package)
tensorflow 2.2 (pip package)
 
 
其实我看到网上也有些相关教程，但是我觉得有的主要是讲原理并不会带你去写代码，有的是直接从GitHub上clone些大牛的代码然后和大家讲怎么去用（我之前有看到一些老师clone git上的一些大牛代码然后教你怎么用，然后课程也很贵基本都是成百上千的，表示学生党看不起），我总感觉没能很好的融合在一起，可能是我没有找到好的资源吧，哈哈。所以我就想自己总结的同时也将所学的知识分享给大家。嗯~ o(￣▽￣)o，然后我想说我只是个普普通通的研究生而已（本科并不是计算机专业），很多知识都是靠研究生期间自学的并没有接受过系统的学习，有说的不对的地方还希望大家多多指教，我们共同学习。由于本人已经开始上班了，所以只能抽空余时间去准备要讲的课程，录视频以及剪辑视频，所以效率比较低，还请大家见谅。如果有什么问题，可以直接留言有空我会回复的。