2、Python与科学计算环境：Anaconda安装、Jupyter Notebook配置、NumPy基础、Matplotlib可视化入门

说实话，很多刚接触深度学习的朋友，第一步就卡在了环境配置上。

我记得几年前带过一个实习生，他花了两天时间手动装Python、装包、配路径，最后项目还没开始，心态先崩了。后来我告诉他：用Anaconda吧，省心。

这一章，我们就从零开始，把Python的科学计算环境搭起来。你跟着我走一遍，半小时内就能跑起代码来。

2.1 为什么是Anaconda？

Anaconda是一个Python发行版，它把Python解释器、常用的科学计算库、包管理器conda，一股脑全给你打包好了。

说白了，你装一个Anaconda，就等于装好了Python + NumPy + SciPy + Matplotlib + Jupyter Notebook……省去了一个个手动安装的麻烦。

我个人习惯用Anaconda来管理不同的项目环境。比如一个项目用TensorFlow 1.x，另一个用PyTorch 2.0，用conda创建两个独立环境，互不干扰。这在项目多了以后特别有用。

2.2 Anaconda安装步骤

安装过程其实很简单，我简单说一下关键点。

1. 下载安装包：去Anaconda官网下载对应操作系统的安装包。建议选Python 3.8以上的版本。
2. 安装：一路默认选项即可。但有一个地方要注意——

3. 验证安装：打开终端（Windows下是Anaconda Prompt），输入：

conda --version

如果输出版本号，比如 conda 23.7.4，那就装好了。

2.3 Jupyter Notebook：交互式编程利器

Jupyter Notebook是Anaconda自带的一个神器。它让你可以在浏览器里写代码、看结果、加注释，甚至画图。对于做数据分析、做实验、写教程来说，体验比IDE好太多。

启动方式很简单：

jupyter notebook

终端里会弹出一串日志，然后浏览器自动打开一个页面。你点"New" → "Python 3"，就能新建一个Notebook了。

2.4 NumPy基础：神经网络的数学基石

NumPy是Python科学计算的灵魂。它提供了多维数组对象和大量的数学函数。说白了，神经网络里的数据，不管是图像、语音还是文本，最终都要转成NumPy数组来处理。

先导入它：

import numpy as np

嗯，这个 as np 是约定俗成的写法，大家都这么写，你也这么写就行。

2.4.1 创建数组

# 从列表创建
a = np.array([1, 2, 3, 4, 5])

# 创建全零数组
b = np.zeros((3, 4))

# 创建全一数组
c = np.ones((2, 3))

# 创建等差数组
d = np.arange(0, 10, 2)  # [0, 2, 4, 6, 8]

# 创建随机数组
e = np.random.randn(3, 3)  # 标准正态分布

2.4.2 数组的形状与变形

你想想看，一张28×28的灰度图片，在神经网络里通常要变成一维向量（784,）。NumPy做这个很轻松：

img = np.random.rand(28, 28)
flat = img.reshape(1, -1)  # 变成 (1, 784)
print(flat.shape)  # 输出 (1, 784)

2.4.3 数组运算

NumPy支持逐元素运算，也就是广播机制。这在神经网络里太常用了：

x = np.array([1, 2, 3])
y = np.array([4, 5, 6])

# 逐元素相加
z = x + y  # [5, 7, 9]

# 逐元素相乘
z = x * y  # [4, 10, 18]

# 矩阵乘法（点积）
z = np.dot(x, y)  # 1*4 + 2*5 + 3*6 = 32

# 广播：标量与数组运算
z = x * 2  # [2, 4, 6]

为什么会这样？因为NumPy底层是用C语言写的，运算速度比Python原生循环快几十倍。所以，能用NumPy运算解决的问题，千万别写for循环。

2.5 Matplotlib可视化入门

做深度学习，可视化是必须的。你要看损失曲线、看特征图、看模型输出，都离不开Matplotlib。

先导入：

import matplotlib.pyplot as plt

在Jupyter里，记得加一行魔法命令：

%matplotlib inline

这样图表会直接显示在Notebook里，不用弹窗。

2.5.1 画一条曲线

x = np.linspace(0, 10, 100)
y = np.sin(x)

plt.plot(x, y)
plt.xlabel('x')
plt.ylabel('sin(x)')
plt.title('正弦曲线')
plt.show()

2.5.2 画多条曲线

x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

plt.plot(x, y1, label='sin', color='blue')
plt.plot(x, y2, label='cos', color='red', linestyle='--')
plt.legend()
plt.grid(True)
plt.show()

2.5.3 画散点图

这个在分析数据分布时很常用：

np.random.seed(42)
x = np.random.randn(100)
y = 2 * x + 0.5 * np.random.randn(100)

plt.scatter(x, y, alpha=0.6)
plt.xlabel('x')
plt.ylabel('y')
plt.title('带噪声的线性关系')
plt.show()

2.6 本章知识体系

下面这张图，帮你理清这一章的核心脉络：

2.7 小结

这一章我们搭好了环境，学会了用NumPy处理数据，用Matplotlib画图。这些都是基本功，但也是你后面做深度学习实验的基石。

我个人建议你花点时间把上面的代码都敲一遍，别光看。代码这东西，看十遍不如敲一遍。你敲的时候可能会遇到各种小问题——比如缩进不对、括号不匹配——这都是正常的，解决一个就进步一点。

---

公众号:蓝海资料掘金营，微信deep3321