一、深度学习环境配置

1、pytorch框架

        之前做图像处理时使用过，再来复习一下流程。由于我的电脑C盘没有多少空间了。想直接在windows平台上使用不得行了。只好继续选择在WSL虚拟机平台上进行。

        1.1部署虚拟机

        在Microsoft Store上下载Ubuntu-24.04-LTS版本。下载完成后按“win”+R键输入cmd，回车，打开命令窗口。点击窗口上方标签页加号旁的向下的箭头，点击刚才下载的Ubuntu-24.04。按照提示完成安装。

等待系统安装，安装完成后会提示你输入用户名和密码。 

        （可选）更换虚拟机安装位置

        虚拟机默认是装在C盘的，如果你想将虚拟机的内容存储到其他盘。在cmd中输入

wsl --export Ubuntu-24.04 d:\Ubuntu.tar    
wsl --unregister Ubuntu-24.04
wsl --import Ubuntu-24.04 你想将虚拟机存放的地址 d:\Ubuntu.tar

等待导入完成，输入wsl即可进入虚拟机界面。不过此时会默认以root用户进入，如果想用之前设置的用户登录，可以按以下步骤：

在虚拟机的命令窗口输入

sudo nano /etc/sudoers

找到“root    ALL=(ALL:ALL) ALL”行，在其下一行输入

你之前设置的用户名    ALL=(ALL:ALL) ALL

然后“CTRL+O”保存，“CTRL+X”退出，关闭当前标签页。

打开cmd窗口，输入

Ubuntu2404 config --default-user 你之前设置的用户名

        1.2 下载Miniconda

        在虚拟机界面，输入

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
sh Miniconda3-latest-Linux-x86_64.sh

        按回车阅读文档中间遇到输入yes还是no，都输入yes。安装完成后关闭并重新打开终端，输入以下命令创建一个新的虚拟环境。

conda create --name d2l python=3.14 -y
conda activate d2l

        1.3 安装CUDA TOOLKIT 13.0

        安装前要在windows的cmd中输入”nvidia-smi“指令查看一下自己机器的CUDA VERSION，不能低于13.0。官网CUDA Toolkit 13.0 Update 2 Downloads | NVIDIA Developer官网有指引，选择自己的机器跟着指引走就可以了。

        1.4 安装GPU版本的pytorch

        在之前创建的虚拟环境中输入以下指令，等待下载完成。

pip3 install torch torchvision --index-url https://download.pytorch.org/whl/cu130

        想检验是否能够使用gpu版本的pytorch可以在终端输入python进入python编辑器，然后输入逐行输入

import torch
torch.cuda.device_count()

        如果输出为1，就代表整个配置完成。

2、MATLAB

        MATLAB也有神经网络设计器，可以直接通过可视化的方式搭建神经网络。因此我打算使用MATLAB进行前期网络搭建和试验，后期对比仿真使用Pytorch框架进行。

二、代码编写

        MATLAB可以直接通过可视化编程，使用Pytorch框架可以用Vim编辑器。VS Code也为WSL提供了相应的代码编辑调试集成。

2025年11月1日