安装¶
为了上手和运行，我们需要一个环境来运行Python、Jupyter Notebook、相关库以及运行本书本身所需的所有代码。
安装 Miniconda¶
最简单的选择是安装 Miniconda。请注意，需要Python 3.x版本。如果你的机器上已经安装了conda，可以跳过以下步骤。
访问Miniconda网站，根据你的Python 3.x版本和机器架构，确定适合你系统的版本。假设你的Python版本是3.9（我们测试过的版本）。如果你使用的是macOS，你将下载文件名中包含“MacOSX”字符串的bash脚本，导航到下载位置，然后按如下方式执行安装（以Intel芯片的Mac为例）：
# The file name is subject to changes
sh Miniconda3-py39_4.12.0-MacOSX-x86_64.sh -b
Linux用户将下载文件名中包含“Linux”字符串的文件，并在下载位置执行以下命令：
# The file name is subject to changes
sh Miniconda3-py39_4.12.0-Linux-x86_64.sh -b
Windows用户将按照其在线说明下载并安装Miniconda。在Windows上，你可以搜索 cmd 来打开命令提示符（命令行解释器）以运行命令。
接下来，初始化shell，这样我们就可以直接运行 conda。
~/miniconda3/bin/conda init
然后关闭并重新打开当前的shell。你应该能够按如下方式创建一个新环境：
conda create --name d2l python=3.9 -y
现在我们可以激活 d2l 环境：
conda activate d2l
安装深度学习框架和 d2l 包¶
在安装任何深度学习框架之前，请首先检查你的机器上是否有合适的GPU（标准笔记本电脑上为显示器供电的GPU与我们的目的无关）。例如，如果你的计算机有NVIDIA GPU并已安装 CUDA，那么你已经准备好了。如果你的机器没有任何GPU，暂时也不用担心。你的CPU提供了足够的马力来让你完成前几章。只需记住，在运行更大的模型之前，你会希望使用GPU。
你可以按如下方式安装支持CPU或GPU的PyTorch（指定版本在编写本文时已经过测试）：
pip install torch==2.0.0 torchvision==0.15.1
要安装支持GPU的MXNet版本，我们需要找出你安装了哪个版本的CUDA。你可以通过运行 nvcc --version 或 cat /usr/local/cuda/version.txt 来检查。假设你已经安装了CUDA 11.2，那么执行以下命令：
# For macOS and Linux users
pip install mxnet-cu112==1.9.1
# For Windows users
pip install mxnet-cu112==1.9.1 -f https://dist.mxnet.io/python
你可以根据你的CUDA版本更改最后的数字，例如，cu101 对应 CUDA 10.1，cu90 对应 CUDA 9.0。
如果你的机器没有NVIDIA GPU或CUDA，你可以按如下方式安装CPU版本：
pip install mxnet==1.9.1
你可以按如下方式安装支持CPU或GPU的JAX和Flax：
# GPU
pip install "jax[cuda11_pip]==0.4.13" -f https://storage.googleapis.com/jax-releases/jax_cuda_releases.html flax==0.7.0
如果你的机器没有NVIDIA GPU或CUDA，你可以按如下方式安装CPU版本：
# CPU
pip install "jax[cpu]==0.4.13" flax==0.7.0
你可以按如下方式安装支持CPU或GPU的TensorFlow：
pip install tensorflow==2.12.0 tensorflow-probability==0.20.0
我们的下一步是安装我们开发的 d2l 包，以便封装本书中频繁使用的函数和类：
pip install d2l==1.0.3
下载和运行代码¶
接下来，你需要下载notebooks，以便运行书中每个代码块。只需在 D2L.ai 网站 的任何HTML页面顶部点击“Notebooks”选项卡即可下载代码，然后解压缩。或者，你也可以从命令行获取notebooks，如下所示：
mkdir d2l-en && cd d2l-en
curl https://d2l.com.cn/d2l-en-1.0.3.zip -o d2l-en.zip
unzip d2l-en.zip && rm d2l-en.zip
cd pytorch
mkdir d2l-en && cd d2l-en
curl https://d2l.com.cn/d2l-en-1.0.3.zip -o d2l-en.zip
unzip d2l-en.zip && rm d2l-en.zip
cd mxnet
mkdir d2l-en && cd d2l-en
curl https://d2l.com.cn/d2l-en-1.0.3.zip -o d2l-en.zip
unzip d2l-en.zip && rm d2l-en.zip
cd jax
mkdir d2l-en && cd d2l-en
curl https://d2l.com.cn/d2l-en-1.0.3.zip -o d2l-en.zip
unzip d2l-en.zip && rm d2l-en.zip
cd tensorflow
如果你还没有安装 unzip，请先运行 sudo apt-get install unzip。现在我们可以通过运行以下命令来启动Jupyter Notebook服务器：
jupyter notebook
此时，你可以在Web浏览器中打开 https://:8888（它可能已经自动打开）。然后我们就可以运行书中每个部分的代码了。每当你打开一个新的命令行窗口时，在运行D2L notebooks或更新你的包（深度学习框架或 d2l 包）之前，都需要执行 conda activate d2l 来激活运行时环境。要退出环境，请运行 conda deactivate。