在linux下安装李沐深度学习环境

### 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 ```