第1章：Python与深度学习环境搭建

各位同学好，我是你们这门课的主讲。在正式开始做癫痫预测模型之前，咱们得先把家伙事儿备齐了。说白了，就像厨师做菜前得先有锅有灶一样，深度学习也得有个好环境。

我个人习惯把环境搭建分成四步走：Python基础环境、GPU加速配置、深度学习框架、科学计算库。咱们一步步来，别急。

1.1 Anaconda与Python 3.8安装

为什么选Python 3.8？嗯，这里有个小故事。我在2020年做脑电信号处理项目时，发现很多医学信号处理的库对Python 3.9以上版本支持不太好。3.8版本经过多年验证，兼容性最好，尤其是MNE库。

安装步骤：

1. 去Anaconda官网下载对应系统的安装包（Windows/Linux/Mac）
2. 安装时记得勾选"Add Anaconda to my PATH environment variable"
3. 安装完成后打开终端，输入 conda --version 验证

# 创建虚拟环境
conda create -n epilepsy python=3.8

# 激活环境
conda activate epilepsy

# 验证Python版本
python --version

1.2 PyTorch框架安装与验证

PyTorch现在几乎是医学信号处理领域的标配了。为什么？因为它的动态图机制特别适合我们这种需要频繁调试的研究场景。你想想看，做癫痫预测时，模型结构经常要调整，PyTorch的灵活性就体现出来了。

安装命令：

# CPU版本（如果你没有NVIDIA显卡）
pip install torch torchvision torchaudio

# GPU版本（推荐，后续会配置CUDA）
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

验证代码：

import torch
print("PyTorch版本:", torch.__version__)
print("CUDA是否可用:", torch.cuda.is_available())
print("GPU数量:", torch.cuda.device_count())
if torch.cuda.is_available():
    print("当前GPU:", torch.cuda.get_device_name(0))

1.3 CUDA与cuDNN配置（GPU加速）

说白了，CUDA就是NVIDIA给GPU开的"后门"，让咱们能用显卡做通用计算。cuDNN则是专门为深度学习优化的加速库。

配置步骤：

1. 查看显卡驱动版本：nvidia-smi
2. 根据驱动版本选择CUDA版本（一般选11.8或12.1）
3. 下载对应版本的cuDNN，解压后复制到CUDA安装目录

# 验证CUDA
nvcc --version

# 验证cuDNN（在Python中）
import torch
print("cuDNN版本:", torch.backends.cudnn.version())
print("cuDNN是否启用:", torch.backends.cudnn.enabled)

1.4 Jupyter Notebook/Lab设置

我个人更喜欢Jupyter Lab，界面更现代化，支持多标签页。做脑电信号分析时，经常需要同时看数据、写代码、画图，Lab的多窗口功能特别实用。

# 安装Jupyter Lab
pip install jupyterlab

# 启动
jupyter lab

# 或者用Notebook
jupyter notebook

1.5 常用科学计算库安装

这些库是咱们做医学信号处理的"左膀右臂"。我按使用频率排个序：

库名	用途	安装命令
NumPy	数组运算、矩阵操作	pip install numpy
SciPy	信号滤波、傅里叶变换	pip install scipy
Matplotlib	数据可视化	pip install matplotlib
MNE	脑电/脑磁图专用库	pip install mne

验证安装：

import numpy as np
import scipy as sp
import matplotlib.pyplot as plt
import mne

print("NumPy版本:", np.__version__)
print("SciPy版本:", sp.__version__)
print("MNE版本:", mne.__version__)

# 快速测试：生成一个正弦波并画图
t = np.linspace(0, 1, 1000)
signal = np.sin(2 * np.pi * 10 * t)
plt.plot(t, signal)
plt.title("测试信号")
plt.show()

知识体系总览

下面这张图展示了咱们搭建的环境各组件之间的关系，你可以把它当作一张"地图"：

看到这张图你就明白了，咱们的搭建顺序是从底层往上走：先装Python和Anaconda，再配GPU加速，然后装PyTorch，最后装科学计算库。每一步都要验证通过，再走下一步。