点击下方卡片，关注“新机器视觉”
视觉/AI图像重磅干货，第一时间送达
转自：何进荣公众号
这是一份零基础入门深度学习与计算机视觉领域的学习路线规划，结合了理论与实践，循序渐进地帮助你从零基础入门到掌握核心技能。
一、开发工具与编程环境搭建
熟练使用PyCharm或JupyterLab，下载、安装与使用方法自行在B站搜索视频学习。
以下是针对 Windows 11 系统的 Anaconda 虚拟环境创建与 Python 代码调试详细步骤。
（一）、安装 Anaconda（Windows 11 专属配置）
下载安装包
• 访问 Anaconda 官网，选择 Windows 64-Bit Graphical Installer（推荐 Python 3.10+ 版本）
• 若官网下载慢，可使用清华镜像源：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
安装注意事项
• 安装路径：建议选择非系统盘（如 D:\Anaconda3），避免占用 C 盘空间
• 勾选 "Add Anaconda3 to my PATH environment variable"（否则需手动配置环境变量）
• 取消勾选 "Register Anaconda3 as my default Python"（避免与系统 Python 冲突）
验证安装
打开 CMD 或 PowerShell，输入以下命令：
conda --version # 显示版本号即安装成功（如 conda 23.11.0）
python --version # 验证 Python 解释器是否可用
（二）创建虚拟环境（Windows 11 专属命令）
通过 Anaconda Prompt 操作
• 右键开始菜单 → 搜索 "Anaconda Prompt (anaconda3)" → 以管理员身份运行
• 创建环境（示例创建名为 my_projects 的 Python 3.10 环境）：
conda create -n my_projects python=3.10 # 自动安装基础依赖
• 激活环境：
conda activate my_projects # 提示符变为 (my_projects) 表示成功
环境管理命令
| |
|---|
| conda env list |
| conda remove -n my_projectsv --all |
|
conda env export > env.yml |
（三）编写与运行 Python 代码
方法1：使用 Jupyter Notebook（适合学习演示）
安装与启动
conda install jupyter # 在虚拟环境中安装
jupyter notebook # 自动打开浏览器
• 新建 .ipynb 文件 → 输入代码 → Shift+Enter 运行单元
调试技巧
• 插入 %debug 魔法命令进入交互式调试
• 使用 print() 输出中间变量值
方法2：使用 PyCharm（适合工程开发）
配置虚拟环境
• 安装 PyCharm 社区版，新建项目时选择：
◦ Conda Environment → 指定 my_projects 路径（如 D:\Anaconda3\envs\my_projects）
• 若已建项目：File → Settings → Python Interpreter → Add Conda Environment
调试流程
• 设置断点：点击代码行号左侧灰色区域
• 启动调试：右键 → Debug 'filename' → 在 Debugger 面板查看变量堆栈
（四）常见问题解决（Windows 11 专属）
Conda 命令无法识别
• 解决方案：手动添加环境变量 D:\Anaconda3\Scripts 到系统 PATH
虚拟环境激活失败
• 运行 conda init powershell 初始化 Shell
包安装冲突
• 优先使用 conda install，混合安装时遵循：
conda install numpy # 基础包用 conda
pip install opencv # 特殊包用 pip
（四）JupyterLab中运行Python程序
启动JupyterLab
• 在Anaconda Prompt中激活你的虚拟环境（如conda activate my_projects）
• 输入命令启动服务：jupyter lab（默认在浏览器打开 http://localhost:8888）
注意：若需指定工作目录，使用jupyter lab --notebook-dir=D:\my_project
文件准备
• 上传文件：在左侧文件浏览器点击「上传」按钮，选择本地.py文件
• 新建文件：点击「+」→「Python 3」创建新Notebook，或点击「文本文件」创建纯Python脚本
方法1：魔术命令直接运行（推荐）
# 在Notebook单元格中输入（支持相对路径/绝对路径）
%run my_script.py # 显示所有print输出和错误信息
• 优势：保留变量到当前内核，可后续调用脚本中定义的函数
• 路径提示：若文件不在当前目录，使用%run ../project/my_script.py
方法2：终端命令执行
# 在Notebook单元格中使用系统命令
!python my_script.py # 适用于需要传递参数的情况
• 参数传递示例：!python train_model.py --epochs=50 --batch_size=32
方法3：模块化导入（适合复用代码）
# 将脚本作为模块导入（需去掉.py后缀）
import my_script
from my_script import train_model # 调用具体函数
• 重载模块：修改文件后执行import importlib; importlib.reload(my_script)
(1) 路径管理
import os
os.chdir("D:/project") # 修改工作目录
(2) 依赖管理
• 在Notebook首单元格声明依赖：
```python
# requirements: numpy>=1.21, torch==2.0.1
```
(3) 性能监控
• 使用%%time魔法命令统计单元格执行时间
• 安装nbresuse扩展查看内存占用
常见问题解决
ModuleNotFoundError
• 在Notebook中执行
!pip install missing_package安装依赖
内核无响应
• 重启内核：Kernel → Restart Kernel
• 检查环境：!conda list确认包版本一致性
中文乱码
• 在首行添加编码声明：# -*- coding: utf-8 -*-
• 修改Jupyter默认编码：pip install jupyterlab-language-pack-zh-CN
（五）PyCharm基础环境搭建
安装PyCharm
• 下载官网社区版，安装时勾选"Add launchers dir to the PATH"（自动配置环境变量）
• 首次启动时选择"Dark"主题（开发者常用），安装Python插件（如Jupyter支持）
创建Python项目
• 启动后点击「Create New Project」→ 命名项目（如demo_project）→ 选择存储路径（建议非系统盘）
• 勾选「New environment using」→ 选择「Virtualenv」（推荐）或「Conda」创建隔离环境
（1） 配置Python解释器
• 进入设置：File → Settings → Project: [项目名] → Python Interpreter
• 点击齿轮图标 → Add Interpreter → Local → 选择已安装的Python版本（如Python 3.10）
• 技巧：勾选「Make available to all projects」可全局共享解释器
（2） 安装依赖包
• 在解释器界面点击
+→ 搜索包名（如numpy）→ 勾选版本后安装
• 或通过终端安装：pip install package_name
（1） 创建Python文件
• 右键项目目录 → New → Python File → 命名文件（如main.py）
（2） 编写基础代码
print("Hello PyCharm!")
defadd(a, b):
return a + b
if __name__ == "__main__":
print(add(3, 5))
（3） 运行程序（5种方法）
| | |
|---|
| 点击编辑器右上角▶️图标或右键→Run 'main' | |
|
Shift + F10 | |
| 底部打开终端 → 输入python main.py | |
| Run → Edit Configurations | |
| 安装Jupyter插件 → 使用#%%分隔单元格 → 逐段执行代码 | |
（1） 基础调试流程
• 设置断点：点击代码行号左侧区域（显示红色圆点）
• 启动调试：点击「Debug」按钮（甲虫图标）或按Shift + F9
• 调试控制：
◦ `F8`（Step Over）：执行当前行，不进入函数内部
◦ `F7`（Step Into）：进入函数内部
◦ `F9`（Resume Program）：跳到下一个断点
（2）高级调试功能
• 条件断点：右键断点 → 设置触发条件（如x > 100）
• 表达式评估：调试时在Variables面板右键变量 → Evaluate Expression
• 多线程调试：在Debugger标签页切换线程视图
（1） 项目结构规范
demo_project/
├── src/ # 源码目录
├── tests/ # 单元测试
├── data/ # 数据集
└── requirements.txt # 依赖清单
（2） 版本控制集成
• 初始化Git仓库：VCS → Enable Version Control Integration → Git
• 提交代码：右键项目 → Git → Commit → 输入提交信息
（3） 性能优化
• 开启GPU加速：在运行配置中设置CUDA_VISIBLE_DEVICES=0（需安装CUDA版PyTorch）
• 内存分析：使用Run → Profile生成性能报告
常见问题解决
ModuleNotFoundError
• 检查解释器是否激活 → 在终端执行conda activate env_name
• 验证包是否安装到当前环境 → pip list | grep package_name
代码补全失效
• 重建索引：File → Invalidate Caches → Invalidate and Restart
• 检查文件类型：右键文件 → File Properties → Associate with File Type
附：学习资源推荐
• 视频教程：B 站搜索 "Anaconda Win11 配置"（参考网页6实践演示）
• 官方文档：Conda 命令速查表
通过以上步骤，你可以在 Windows 11 上高效管理 Python 开发环境并完成专业级调试。若需更深入的 IDE 配置细节，可参考 PyCharm 官方文档。
二、Windows 11系统通过Anaconda安装PyTorch的详细步骤指南
（一）环境准备
关闭网络代理
安装前需关闭VPN和系统代理（控制面板→网络和Internet→代理→关闭所有代理设置），避免因网络波动导致安装失败。
创建虚拟环境
conda create -n pytorch_env python=3.8 # 推荐Python 3.8-3.9，避免高版本兼容性问题
conda activate pytorch_env # 激活环境
（二）镜像源配置（加速下载）
- 添加清华镜像源
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --set show_channel_urls yes
注：此配置对所有项目生效，后续安装无需重复设置。
（三）PyTorch安装
获取安装命令
访问PyTorch官网，按以下参数生成命令： • 操作系统：Windows
• 包管理器：Conda
• Python版本：与虚拟环境一致
• CUDA版本：选择"CPU"（若无NVIDIA显卡）或匹配的CUDA版本
-
执行安装（CPU版示例）
conda install pytorch torchvision torchaudio cpuonly -c pytorch
关键说明：• -c pytorch表示从官方源补充依赖包
• 若下载超时，可尝试设置超时时间：conda config --set remote_read_timeout_secs 600.0
（四）验证安装
基础验证
import torch
print(torch.__version__) # 应显示版本号（如2.0.1）
print(torch.cuda.is_available()) # CPU版显示False为正常
环境完整性检查
conda list | findstr "torch" # 查看已安装的torch组件
（五）IDE集成（以PyCharm为例）
- 配置解释器路径
File → Settings → Python Interpreter → Add Local Interpreter
→ Conda Environment → 选择路径：Anaconda3\envs\pytorch_env\python.exe
若报错"Error: code 1"，改用Anaconda3\Library\bin\conda.bat。
常见问题解决
| |
|---|
|
手动安装缺失包：conda install pytorch::torchvision |
| 切换镜像源或使用pip install -i https://pypi.tuna.tsinghua.edu.cn/simple |
| 执行conda init powershell初始化Shell |
扩展说明• GPU版安装：若需GPU加速，需先安装匹配的CUDA Toolkit和cuDNN（NVIDIA显卡需支持CUDA 11.6+）
• 多环境管理：通过conda env export > environment.yml导出环境配置
三、本地运行GitHub开源项目的步骤指南
（一）环境准备
-
安装Python（已安装，跳过此步骤）
• 从Python官网下载并安装最新稳定版（建议3.8+）
• 勾选"Add Python to PATH"选项，方便命令行调用
安装Git工具
• 下载Git官方客户端，安装时保持默认配置
（二）克隆项目到本地
获取项目仓库地址
• 在GitHub项目页点击绿色"Code"按钮，复制HTTPS或SSH链接
执行克隆命令
git clone https://github.com/用户名/仓库名.git
cd 仓库名 # 进入项目目录
若下载ZIP文件，解压后需手动进入目录
（三）配置隔离环境
创建虚拟环境（推荐）
python -m venv myenv # 创建名为myenv的虚拟环境
• Windows激活：myenv\Scripts\activate
• Mac/Linux激活：source myenv/bin/activate
Conda环境（可选）
conda create -n myenv python=3.8
conda activate myenv
（四）安装项目依赖
通过requirements.txt安装
pip install -r requirements.txt # 自动安装所有依赖
• 若文件不存在，查看README或手动生成pip freeze > requirements.txt
镜像加速（国内用户）
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
处理依赖冲突
• 使用
pip install 包名==版本号指定特定版本
• 升级pip：python -m pip install --upgrade pip
（五）运行项目
确定入口文件
• 查看README或寻找main.py、app.py等常见入口文件
执行启动命令
python main.py # 基础启动方式
• 复杂项目可能需要参数：python train.py --batch_size=32
框架特定命令
• Django：python manage.py runserver
• Flask：flask run
（六）调试与维护
代码更新与贡献
git pull # 拉取最新代码
git checkout -b my-feature # 创建新分支开发
git push origin my-feature # 推送修改并提交PR
四、编程基础
• Python语言：掌握基础语法（廖雪峰Python教程，网易云课堂《零基础入门学习Python》），重点学习NumPy（矩阵运算）和Scikit-Learn（机器学习）库。
推荐资料：
教程1. https://cs231n.github.io/python-numpy-tutorial/
教程2. https://numpy.org/devdocs/user/quickstart.html
教程3. https://numpy.net.cn/numpy-tutorials/
教程4. https://scikit-learn.org/stable/auto_examples/index.html
数学基础
• 线性代数：向量/矩阵运算、特征值与特征分解（理解CNN卷积核原理的关键）
• 微积分：梯度计算、泰勒展开（反向传播算法基础）
• 概率论：贝叶斯定理、概率分布（模型优化与评估基础）
推荐资源：MIT教授Gilbert Strang视频课程《线性代数》
计算机视觉入门
• 学习OpenCV基础操作（图像读取、滤波、边缘检测）
