NYU-DLSP20 深度学习课程环境搭建实战指南:从 Miniconda 到 JupyterLab 的完整运行方案
NYU-DLSP20 深度学习课程环境搭建实战指南:从 Miniconda 到 JupyterLab 的完整运行方案
本文以仓库中的阿拉伯语快速入门文档 docs/ar/README-AR.md 为骨架,完整讲解 NYU-DLSP20(NYU Deep Learning Spring 2020)课程环境的搭建与运行流程:从 Miniconda 安装、课程仓库克隆、基于 environment.yml 的隔离环境创建,到 JupyterLab / Jupyter Notebook 的启动与深色主题配置。读者按本文操作即可在本机跑通全部 17 个课程 Notebook,并了解配套网站与文档的本地构建方式。
一、文档定位与适用范围
docs/ar/README-AR.md 是课程官方 README 的阿拉伯语翻译版,其核心作用是指导学习者完成本机实验环境准备。该文档明确了两条适用范围边界:
- 操作系统:步骤对 macOS 与 Ubuntu Linux 用户可直接照做;Windows 用户需要先安装 Git BASH 风格的终端,并在该终端中执行后续命令。
- Python 版本:需要安装 Python ≥ 3.7 的 Miniconda 版本(Miniconda 是 Anaconda 的精简发行版,仅包含 conda 包管理器与 Python,体积更小、环境更干净)。
在开始前建议先通过仓库根目录的 README.md(英文原版)对照理解,其内容与阿拉伯语版一致,但额外给出了 Miniconda 的 wget + sh 安装命令示例,可作补充参考。
二、前置条件:为什么需要 Miniconda 与隔离环境
课程全部练习都依赖 PyTorch 生态(pytorch、torchvision、torchtext)以及可视化、音频、图像处理等辅助库。直接往系统 Python 里装这些包容易造成版本冲突,因此官方推荐:
- 使用 Miniconda 提供独立的 conda 包管理器;
- 通过
conda env create依据 environment.yml 创建名为NYU-DL的独立虚拟环境; - 所有实验都在该环境中运行,与系统其他 Python 项目互不干扰。
从仓库结构看,课程的实践载体是根目录下的 17 个 .ipynb Notebook(编号 00~16),它们依赖上述环境中的每一个包,因此"先建环境、再跑 Notebook"是官方唯一推荐路径。
三、第一步:下载并安装 Miniconda
前往 Anaconda 官网的 Miniconda 下载页面,选择适合自己操作系统、且对应 Python ≥ 3.7 的最新版本进行安装。
英文原版 README.md 给出了命令行安装的参考流程(macOS / Linux):
wget <http:// link to miniconda>
sh <miniconda*.sh>
其中 <http:// link to miniconda> 应替换为实际下载链接,<miniconda*.sh> 为下载到的安装脚本文件名。图形化安装亦可,只要最终 conda 命令可用即可。
四、第二步:克隆课程仓库
Miniconda 就绪后,克隆课程仓库:
git clone https://gitcode.com/gh_mirrors/pyt/pytorch-Deep-Learning
提示:如果希望同时构建配套文档网站(
docs/目录内含 Jekyll 站点源码),官方在 docs/README.md 中建议使用git clone --recursive克隆(含子模块);若已克隆,可执行git submodule update --init --recursive补齐子模块。
五、第三步:创建并激活隔离环境(environment.yml 深度解析)
进入仓库目录后,执行环境创建与激活:
# cd NYU-DLSP20
conda env create -f environment.yml
source activate NYU-DL
说明:
source activate NYU-DL是文档中的激活写法,适用于 bash 类终端;在较新 conda 版本中也可使用conda activate NYU-DL(部分发行版需先执行conda init或source ~/.conda/envs/NYU-DL/bin/activate,具体以本机 conda 版本提示为准)。
5.1 environment.yml 依赖清单逐项说明
environment.yml 是本次环境创建的唯一事实依据,其完整内容如下:
name: NYU-DL
channels:
- conda-forge
- pytorch
dependencies:
- python
- pip
- matplotlib
- jupyterlab
- ipympl
- pytorch
- torchvision
- torchtext
- opencv
- librosa
- pip:
- torchviz
每个条目在课程中的实际作用:
| 包 | 类型 | 课程中的用途 |
|---|---|---|
python |
conda | 解释器(未锁版本,文档要求 ≥ 3.7) |
pip |
conda | 安装 pip 依赖 torchviz 所必需 |
matplotlib |
conda | 几乎所有 Notebook 的绘图与可视化 |
jupyterlab |
conda | 交互式实验主入口 |
ipympl |
conda | 让 matplotlib 图表在 Jupyter 中可交互(interactive matplotlib) |
pytorch |
conda | 课程核心深度学习框架 |
torchvision |
conda | 计算机视觉实验(卷积网络、图像数据) |
torchtext |
conda | 自然语言处理实验(序列分类、Transformer) |
opencv |
conda | 图像读取与预处理 |
librosa |
conda | 音频处理(回声数据、音频相关实验) |
torchviz |
pip | 计算图可视化(autograd 教程中使用) |
channels 的作用:conda-forge 提供大量社区维护的科学计算包;pytorch 频道保证 pytorch / torchvision / torchtext 通过 conda 二进制直接安装,避免 pip 编译。两个频道的顺序也体现了优先级:先匹配 conda-forge,再匹配 pytorch 官方频道。
5.2 激活后验证环境
激活成功后可在终端确认:
python -c "import torch, torchvision, torchtext; print(torch.__version__)"
能正常打印 PyTorch 版本号即说明核心依赖安装成功。
六、第四步:启动 Jupyter Notebook / JupyterLab
环境激活后,从终端启动现代界面:
jupyter lab
或启动经典界面:
jupyter notebook
启动后浏览器会打开 Jupyter 工作台,此时即可打开仓库根目录下的课程 Notebook 逐节运行,例如:
- 00-logic_neuron_programming.ipynb —— 手写神经元与神经网络(含
pass # ⬅️✏️填空练习); - 01-tensor_tutorial.ipynb / 03-autograd_tutorial.ipynb —— Tensor 与自动微分基础;
- 06-convnet.ipynb —— 卷积网络;
- 08-seq_classification.ipynb / 15-transformer.ipynb —— 序列分类与 Transformer;
- 16-gated_GCN.ipynb —— 门控图卷积网络。
这些 Notebook 的完整列表与课程周次的对应关系,可对照 docs/ar/index.md 的课程表查看。
七、第五步:Notebook 可视化与深色主题配置
课程文档明确说明:Jupyter Notebooks 贯穿全部讲座,用于交互式数据探索与可视化(interactive data exploration and visualisation)。官方对显示效果有一个实用建议——为 GitHub 与 Jupyter Notebook 使用深色主题,否则内容展示效果不佳:
- JupyterLab:自带可选的深色主题,无需额外安装,直接在 Settings → Theme 中切换即可;
- 经典 Notebook 界面:需要自行安装用户样式(userstyle):
- Jupyter Notebook 深色主题;
- GitHub 深色主题,安装后需注释掉
invert #fff to #181818代码块,以避免深色页面下白色内容被错误反转为黑底。
因此,若你使用 JupyterLab(官方推荐),此步可完全跳过;只有坚持经典界面时才需要上述两个 userstyle。
八、进阶:配套网站与本地文档构建
仓库 docs/ 目录同时是一个多语言课程网站源码(由 Jekyll 驱动),阿拉伯语站点首页即 docs/ar/index.md。如需在本地调试网站,可参照 docs/README.md:
brew install ruby
export PATH=/usr/local/opt/ruby/bin:$PATH
# 或 export PATH=/opt/homebrew/opt/ruby/bin:$PATH
gem install jekyll webrick
随后直接执行仓库内自带的脚本 docs/serve.sh:
./serve.sh
该脚本实际运行的命令为 jekyll serve --trace --baseurl '/NYU-DLSP20',对应 Jekyll 配置 docs/_config.yml 中的 baseurl。站点的章节大纲(chapters / sections)也定义在 _config.yml 中,阿拉伯语章节从 ar/week01 到 ar/week14,与 docs/ar/ 下的目录结构一一对应。
九、学习路径建议与配套资源
- 主教材:根目录 17 个 Notebook,与每周课程严格对应(周次与 Notebook 映射见 docs/ar/index.md);
- 幻灯片:课程讲义 PDF 集中在 slides/ 目录,从逻辑神经元、卷积网络、RNN 到 Transformer、图卷积网络(GCN)与基于能量的模型(EBM);
- 配套工具代码:extra/utils/optim.py 等文件为部分章节的自定义优化器与可视化工具实现;
- 在线快速体验:仓库 README 头部附有 Binder 徽章,可将整个 Notebook 仓库在云端直接启动,无需本机安装任何依赖——这是本地环境尚未就绪时最快的预览方式。
建议学习顺序:先运行 00~05(基础与自动微分、螺旋分类、回归),再进入 06~09(卷积、序列),最后挑战 10~16(生成模型、正则化、贝叶斯、控制器、Transformer、GCN)。
十、常见问题与排错建议
conda env create网络超时:pytorch频道包较大,可适当增大 conda 超时(conda config --set remote_read_timeout_secs 600)后重试;source activate NYU-DL报错:尝试改用conda activate NYU-DL;若仍失败,先执行conda init bash并重开终端;- Jupyter 中 matplotlib 无法交互:确认
ipympl已装入NYU-DL环境,并在 Notebook 中执行%matplotlib widget; - 缺少某包:本仓库环境依赖以 environment.yml 为准,若自行追加依赖,建议仍在该 conda 环境中用
conda install/pip install安装,避免污染系统 Python。
本文核心操作步骤均直接继承自 docs/ar/README-AR.md,依赖细节以 environment.yml 为准,文档网站构建方式参考 docs/README.md。按上述流程操作即可在 macOS、Ubuntu 或 Windows(Git BASH)上完整跑通 NYU-DLSP20 全部课程实验。