最近在做深度学习机器视觉领域，近期我会把这一方向领域所总结的相关内容，由浅入深地陆续发布出来。需要的朋友可以持续关注这个账号

由于python语言独特的优势，深度学习的开发通常使用python语言，而python的运行往往需要配置环境变量以及对包的管理，为避免这些不必要的冗杂的操作，只需要下载Anaconda（或者它的极简版Miniconda）就可以帮助你简洁地完成这些配置和管理的操作。 对于深度学习框架，常用的有 TensorFlow 、Caffe、Theano、Keras、PyTorch等。在计算机视觉、语音识别、自然语言处理与生物信息学等领域应用深度学习框架，都取得了极好的效果。在近几年，Google发布的Tensorflow已成为了目前最受欢迎的深度学习框架。后面我将以Tensorflow来做深度学习的模型训练。

目前，python语言已更新到3.8版本。从机器学习成为科学界关注的热点以后，python语言的特点迎合了程序开发的需要，便顺势成为了机器学习的主流开发语言。 python有以下几个突出的特点： ·结构清晰，简单易学 ·具有丰富的标准库 ·具有强大的第三方生态系统 ·属于解释型语言

在2015年11月发布了Tensorflow的第一个版本Tensorflow 0.1。在2017年2月发布的Tensorflow1.0.0，以及后续发布的Tensorflow1.x版本，其应用门槛非常高，而且采用的是静态图机制，难于debug。（但静态图也有其速度快的优点。通过先定义后运行的方式，再次运行时不需要重新构建计算图，所以速度会比动态图更快） 2019年发布的Tensorflow 2.0版本是一个”划时代“的标志性版本，在Tensorflow2.0版本之后，极大地降低了Tensorflow的使用门槛，并默认采用动态图机制，程序将按照编写命令顺序执行，使得debug更加容易，更符合人的逻辑思维习惯。可以根据需要，在静态图和动态图之间进行切换。 所以建议新手下载2.0以上版本，可以更容易学习。 安装时要注意的是版本的匹配，这是官方说明文档：https://tensorflow.google.cn/install/source_windows#tested_build_configurations 在这里可以查看安装注意事项，以及版本匹配，如图所示。

按照图示指示步骤点击，即可查看CPU和GPU不同版本的构建配置，如果不按配置要求安装，tensorflow运行会报错。 另外附带给大家一个完整的Tensorflow安装教程：tensorflow（CPU版本和GPU版本）的安装教程（详细）:https://download.csdn.net/download/weixin_45954454/15654978 免费的哦~~ 如果安装出现问题可以私信我，看到就回复。

Anaconda是一个用于科学计算的Python发行版，在其中预安装了Numpy、Matplotlib等成熟的开源包和科学计算工具。 Anaconda最大的特点就是具有强大的包管理和环境管理的作用： ·包管理：安装、更新、卸载工具包；在安装工具包时，自动安装相应的依赖包。 ·环境管理：可以在同一台机器上创建几个相互独立的虚拟环境；可以隔离不同项目所需要的不同版本的工具包； 不同的环境之间可以快速切换。 Anaconda最新版内部已预安装了这些内容 其中 ·Anaconda Navigator：是用于管理工具包和环境的图形用户界面，只需要点击鼠标就可以完成简单的环境管理和包管理操作。

·Anaconda Prompt：是命令行输入窗口，可以完成单行的命令操作。

·Jupyter Notebook：是通过网页访问的交互式程序编辑工具；便于程序的远程访问，屏蔽了不同系统间的显示差异，便于代码共享；可以代码、图像、注释、公式、图形、运行结果整合在同一个文档中， 编写出漂亮的交互式文档。

·Spyder：是使用Python编程语言进行科学计算的集成开发环境。

visual studio code:在老版本的Anaconda中还有visual studio code这一强大的代码编辑器，但新版本中没有它了，如果大家习惯用vs来写代码，可以参考手把手教你 如何在VS Code下搭建Anaconda环境

下面介绍以下几个常用的库，可以这样通俗的理解 Keras：是一个高层的神经网络和深度学习库 Numpy:用于科学计算 Matplotlib:用于绘图 Pandas:用于数据分析 Pillow:用于图像处理 tensorflow:深度学习框架

Keras是一个高层的神经网络和深度学习库，由Python编写的开源人工神经网络库，采用面向对象的方法编写，提供了大量封装好的模块，支持神经网络和深度学习的主流算法，还支持多操作系统下的多GPU并行计算，因此可以作为Tensorflow深度学习库的前端，快速构建和训练深度学习模型。 ·可以快速搭建神经网络模型，非常易于调试和扩展。 ·TensorFlow的官方高阶API。 ·内置了一些常用的公共数据集，可以通过keras.datasets模块加载和访问。

注意：Keras只是一个前端工具，是介于程序员和后端计算引擎之间的一个接口，因此不能离开后端计算引擎（Tensorflow、CNTK、Theano）独立工作。

Keras的安装和使用有两种方法： 方法1：把Keras作为独立的开发工具进行安装，将Tensorflow作为后端，所以在安装Keras时，如果没有检测到Tensorflow，Keras会将Tensorflow作为依赖项自动安装。 方法2：把Keras作为Tensorflow的高阶API：在安装Tensorflow时，tf.Keras会作为子模块被自动安装。

NumPy是Python中科学计算的基础包，它是一个Python库。它提供对数组的快速操作，包括创建数组、创建特殊数组、矩阵运算、元素运算、数组堆叠、生成随机数数组等…。

Matplotlib是第三方绘图库，可以快速方便地生成高质量的图表。可以用来绘制直方图、柱形图、折线图、散点图、气泡图、三维图等…。 Matplotlib库中含有丰富的绘图函数，可以实现各种各样的功能，具体不赘述，给大家提供几个官方网址，可以在需要的时候针对性的查询使用： 查询各种功能的示例：https://matplotlib.org/gallery.html 查询各种函数：https://matplotlib.org/genindex.html

Pandas库（Panel Data & Data Analysis） 是python中基于NumPy和Matplotlib的第三方数据分析库，与后两者共同构成了python数据分析的基础工具包 ·用于数据统计和分析 ·可以高效、方便地操作大型数据集

Pillow是python图像处理库，在老版本中它叫做PIL，PIL的功能丰富、简单易用，仅支持python2.x版本，目前已停止更新。Pillow是在PIL的基础上发展起来的，而且它可以支持Python3版本。

通常，使用Tensorflow利用高阶API来快速搭建复杂的模型，并利用GPU和TPU（张量处理单元）资源进行快速运算，而使用Numpy来读取和访问数据集，接收从GPU输出的中间结果或者最终结果，完成数据交换和输入输出的工作。 该文仅是对深度学习的开发环境及其常用库的简单介绍，对于这些库有哪些常用函数、又该如何使用，后续我会详细整理并发布。还会分享如何加载数据集、处理数据、搭建模型、训练模型、对结果的数据分析、图像生成、以及一些琐碎而又重要的知识点等干货…

如有疑问，欢迎批评指正^^