AI常用编程工具介绍与安装：Anaconda、Python、Jupyter、PyCharm、PyTorch、TensorFlow

学习人工智能需要经常用到Python语言、Jupyter、PyCharm工具以及PyTorch、TensorFlow和Keras等深度学习框架。本文介绍在 macOS 和 windows 操作系统下的安装教程。（网上有大量不同的安装方法，如果本文描述不详尽，同学也可以按照网上的方法自行安装。1 Anaconda, Python, Jupyter和PyCharm介绍2 macOS通过Anaconda

程序员橘子

2579人浏览 · 2023-07-21 11:44:48

程序员橘子 · 2023-07-21 11:44:48 发布

学习人工智能需要经常用到Python语言、Jupyter、PyCharm工具以及PyTorch、TensorFlow和Keras等深度学习框架。本文介绍在 macOS 和 windows 操作系统下的安装教程。（网上有大量不同的安装方法，如果本文描述不详尽，同学也可以按照网上的方法自行安装。）

1 Anaconda, Python, Jupyter和PyCharm介绍

2 macOS通过Anaconda安装Python, Jupyter和PyCharm

3 使用终端创建虚拟环境并安装PyTorch

4 安装PyCharm并导入Anaconda虚拟环境

5 Windows操作系统下Anaconda与PyCharm安装

6 通过 Anaconda Navigator 创建 TensorFlow 虚拟环境

7 Jupyter Notebook 使用 Anaconda 管理的环境

本文略长，请大家耐心看完，一定是史上最全的环境配置指南~

01 Anaconda, Python, Jupyter和PyCharm介绍

Python 是一种易于学习又功能强大的编程语言。优雅的语法和动态类型，以及解释型语言的本质，使其成为在很多领域多数平台上写脚本和快速开发应用的理想语言。Python 官网 https://www.python.org/ 可以免费自由地下载并分享包括第三方 Python 模块、程序、工具等，以及额外的文档。

由于 Python 简单易用开源，成为人工智能领域中使用最广泛的编程语言。现在的大部分深度学习框架都支持 Python 语言。

PyCharm是一款Python IDE（Integrated Development Environment，集成开发环境），具有跨平台属性。带有一整套可以帮助用户在使用 Python 语言开发时提高其效率的工具，比如调试、语法高亮、项目管理、代码跳转、智能提示、自动完成、单元测试、版本控制。其他可选 IDE 还有 Spyder 和 Visual Studio Code 。

Jupyter Notebook 是基于网页的用于交互计算的应用程序。其可被应用于全过程计算：开发、文档编写、运行代码和展示结果。简而言之，Jupyter Notebook 是以网页的形式打开，可以在网页页面中直接编写代码和运行代码，代码的运行结果也会直接在代码块下显示的程序。如在编程过程中需要编写说明文档，可在同一个页面中直接编写，便于作及时的说明和解释。

因为Python，Jupyter，PyCharm都可以通过Anaconda安装，所以我们利用Anaconda来安装这三个软件。

知名 Python IDE 或编辑程序

Anaconda 是一款包管理器（conda包管理器可以很好的帮助你在计算机上安装和管理这些包，包括安装、卸载和更新包）和环境管理器（比如在A项目中使用 Python 2，B项目要使用Python 3，而同时安装两个 Python 版本可能会造成许多混乱和错误。这时候 conda就可以为不同的项目建立不同的运行环境）。

Anaconda 可用于多个平台（ Windows、Mac OS 和 Linux），可以在官网https://www.anaconda.com/products/distribution#Downloads 找到安装程序和安装说明。根据操作系统是32位还是64位，以及对应的Python版本，选择下载对应的安装文件。

官网下载Anaconda

如果遇到网络下载问题，也可以选择国内镜像进行下载

清华镜像地址：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

安装了Anaconda，相当于已经完成了Python、Jupyter和各种Python包的安装，同时包含了它的核心管理工具conda。使用中可以用conda创建出虚拟环境，并在虚拟环境中安装不同的Python包，并且这些虚拟环境可以直接在PyCharm中使用。

下面我们介绍 macOS 和 windows 操作系统下 Anaconda 的安装。

02 macOS通过Anaconda安装Python, Jupyter和PyCharm

（1）进入官网下载Anaconda：https://www.anaconda.com/products/individual#macos，点击Download下载。

官网下载Anaconda

（2）打开下载完成的安装程序，并选择继续，安装过程中有多个继续，一直点击即可。

Anaconda开始安装

Anaconda安装过程

（3）点击安装，不需要修改安装位置。

无需更改安装位置

安装过程需要等个几分钟。

等待安装约三五分钟

（4）点击关闭就完成了Anaconda的安装，此时 Python 和 Jupyter Notebook 也就同步安装完成了。

Anaconda 安装成功

（5）安装完毕后，在启动台打开Anaconda Navigator

在启动台打开Anaconda Navigator

Anaconda Navigator 打开后的界面如下：

Anaconda Navigator Home 主界面

（6）Anaconda安装完成时，默认是将所有的包链接在一个叫做“base”的虚拟环境中，可以在Anaconda Navigator进行查看。

Anaconda Navigator Environment

当然，也可以在终端通过命令行进行查看。命令是：

conda list

默认当前处于active状态的虚拟环境是base，如下图：

默认虚拟环境为base

04 使用终端创建虚拟环境并安装PyTorch

PyTorch 由 Facebook 人工智能研究院（FAIR）于2017年1月开源。PyTorch的前身是Torch，使用Python重新写了很多内容，不仅更加灵活，支持动态图，而且提供了Python接口。PyTorch更有利于研究人员、爱好者、小规模项目等快速搞出原型。而TensorFlow更适合大规模部署，特别是需要跨平台和嵌入式部署。

PyTorch的安装，在macOS和Windows下安装方法相同。创建虚拟环境，可以通过终端，也可以通过Anaconda Navigator，这里我们先看看如何通过终端安装PyTorch框架，下一个部分会演示通过Anaconda Navigator图形界面安装TensorFlow框架。

（1）打开终端（Mac下点击启动台搜索终端打开，Windows下使用快捷键win+R，输入cmd并确认），新建一个虚拟环境PyTorchEnv（名字可以随便取，最好方便记忆和区分），命令是：

conda create -n PyTorchEnv python=3.9.12

在终端创建虚拟环境，需要指定环境名称和Python版本

询问是否，都选Y

（2）如果需要删除虚拟环境PyTorchEnv，命令是：

conda remove -n PyTorchEnv --all

查看所有的虚拟环境，命令是：

conda info -e

星号表示当前是哪个环境处于激活状态

使虚拟环境PyTorchEnv处于激活状态，命令是：

conda activate PyTorchEnv

让当前处于激活状态的虚拟环境改为非激活状态，命令是：

conda deactivate

查看并切换激活的虚拟环境

（3）在虚拟环境PyTorchEnv中安装PyTorch框架，命令是：

conda install pytorch torchvision -c pytorch

安装PyTorch框架https://pytorch.org/get-started/locally/#mac-anaconda

在终端查看，是否安装成功，命令是：

python
import torch

出现 >>> 标志就代表安装成功了，如果报错，可以尝试关闭终端，重新进入环境

验证PyTorch安装成功

至此，完成了通过终端创建虚拟环境，并在虚拟环境中安装了PyTorch框架。

此时在Anaconda的Navigator里已经可以看到新创建的虚拟环境PyTorchEnv了。

Anaconda Navigator里可以看到新创建的环境

04 安装PyCharm并导入Anaconda虚拟环境

（1）接下来安装PyCharm，打开官网https://www.jetbrains.com/pycharm/，点击下载.dmg文件，Community版本是免费的，Professional版本可以试用30天。

官网下载 PyCharm

（2）打开下载好PyCharm的.dmg安装文件，拖入应用程序中，等待一段时间后，安装完成。

macOS 安装 PyCharm

（3）打开PyCharm有两种方式，一种是从启动台打开，另一种是从Ananconda Navigator 打开：

从启动台打开PyCharm

PyCharm 安装好后，会自动关联到 Anaconda，PyCharm 和 Anaconda 的安装顺序无所谓。

从 Ananconda Navigator 打开 PyCharm

（3）在PyCharm新建Project并使用虚拟环境：

新建Project

注意在编译器选择中要勾选 Existing interpreter 或者 Previously configured interpreter，然后点击Interpreter栏后面的三个点：

选择解释器Interpreter

选择Conda Environment栏，并在Conda executable栏点击选择要导入的外部环境。需要选择的环境就是我们刚才使用Anaconda创建的虚拟环境，一般在路径 …/ananconda3/envs/PyTorchEnv/bin/python 中：

选择conda环境

这样就成功配置了PyCharm的编译环境是刚刚创建的虚拟环境，接下来可以写个测试程序，验证是否成功。新建一个Python文件：

新建一个测试文件

测试文件中的测试代码如下，如果报错找不到torch，可以尝试重启Anaconda Navigator 和 PyCharm：

import torch
x = torch.rand(3,3)
print(x)

测试成功

05 Windows操作系统下Anaconda与PyCharm安装

（1）进入官网下载Anaconda：https://www.anaconda.com/products/individual，点击Download下载。

（2）打开安装程序，点击 Next -> I Agree -> Next，最好不要改变路径再点击 Next -> Install，先点击网页链接，再点击 Next 即完成了 Anaconda 的安装，同时 Python 和Jupyter Notebook 也安装完成了。操作图解如下：

（3）Windows下还需要添加环境变量，右键此电脑 -> 属性，选择右侧高级系统设置，点击环境变量 -> path -> 编辑 -> 新建。在之前安装的 Anaconda 路径下，找到 anaconda3文件夹 -> anaconda3/scripts文件 -> anaconda3/Library/bin文件夹，复制路径，分别添加到新建中。

备注：按 win+R，cmd，输入Python -V，出现下图，未报错则添加成功。

（4）从官网下载安装 PyCharm。

（5）打开下载好的安装程序，点击 Next，接下来设置安装位置，选择 64-bit -> next -> install，点击 Finish，安装完成。操作图解如下：

06 通过 Anaconda Navigator 创建 TensorFlow 虚拟环境

TensorFlow 是开源的、基于 Python 的深度学习框架，由 Google 开发，在图形分类、音频处理、推荐系统和自然语言处理等场景下有着丰富的应用，是目前最热门的机器学习框架。

（1）Anaconda 创建 TensortFlow 环境（名字还是可以任意起，但是要方便记忆），创建完成后该环境会在 /Users/hk/opt/anaconda3/envs 中自动创建一个 TensortFlow的文件夹，里面放置了这个环境的所有第三方包。

创建TensortFlow环境

（2）进入创建的虚拟环境，点击箭头，选择Open Terminal，当前的环境有被激活，而非默认的base。

从 Anaconda Navigator 选择进入环境

激活环境为TensorFlowEnv

（3）安装TensorFlow框架

pip install tensorflow

安装TensorFlow框架，这个过程会耗时几分钟

（4）验证安装成功，从终端进入Python编程环境，看是否可以成功import框架。

python``import tensorflow as tf

出现>>>即是框架安装成功

07 Jupyter Notebook 使用 Anaconda 管理的环境

（1）打开Jupyter Notebook的方法有两种：

第一种：打开Anaconda Navigator，点击launch即可。

从 Anaconda Navigator 打开Jupyter Notebook

第二种：打开「终端」，直接输入jupyter notebook也可以打开。

从终端打开Jupyter Notebook

网页端跳转Jupyter界面

（2）创建并运行第一个Jupyter程序

新建程序

# 安装 TensorFlow
import tensorflow as tf

# 载入并准备好 MNIST 数据集
mnist = tf.keras.datasets.mnist

# 将样本从整数转换为浮点数
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

# 将模型的各层堆叠起来，以搭建 tf.keras.Sequential 模型
model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation='softmax')
])

# 训练选择优化器和损失函数
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])              

# 训练并验证模型              
model.fit(x_train, y_train, epochs=5)

# 照片分类器的准确度已经达到 98%
model.evaluate(x_test,  y_test, verbose=2)