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

原创2026-10-08 20:37:591,605 阅读
文章标签:示例工程

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:

  1. 使用 Miniconda 提供独立的 conda 包管理器;
  2. 通过 conda env create 依据 environment.yml 创建名为 NYU-DL 的独立虚拟环境;
  3. 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:

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

  1. 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;
  2. 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;
  3. 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;
  4. 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。

登录后查看全文
NYU-DLSP20