深度学习导论课程资源

https://www.coursera.org/learn/intro-to-deep-learning

在 Google Colab 上运行（已测试所有周次）

Google 推出了名为 Colab 的 Jupyter 版本，它配备了免费的 GPU！

以下是使用方法：

1. 打开 https://colab.research.google.com，在右上角点击 Sign in，使用您的 Google 账号登录。
2. 点击 GITHUB 选项卡，粘贴 https://github.com/hse-aml/intro-to-dl 并按 Enter 键。
3. 选择您想要打开的笔记本，例如 week2/v2/mnist_with_keras.ipynb。
4. 点击 File -> Save a copy in Drive... 将您的进度保存到 Google Drive 中。
5. 点击 Runtime -> Change runtime type，在 Hardware accelerator 框中选择 GPU。
6. 在第一个单元格中执行以下代码以下载依赖项（请根据您所在的周数进行修改）：

! shred -u setup_google_colab.py
! wget https://raw.githubusercontent.com/hse-aml/intro-to-dl/master/setup_google_colab.py -O setup_google_colab.py
import setup_google_colab
# 请取消注释您正在学习的那一周
# setup_google_colab.setup_week1()
# setup_google_colab.setup_week2()
# setup_google_colab.setup_week2_honor()
# setup_google_colab.setup_week3()
# setup_google_colab.setup_week4()
# setup_google_colab.setup_week5()
# setup_google_colab.setup_week6()

7. 如果您在 Colab 上运行多个笔记本，它们可能会持续占用内存。您可以使用 ! pkill -9 python3 杀死这些进程，并通过 ! nvidia-smi 检查 GPU 内存是否已被释放。

已知问题：

• 使用 IPython.display.clear_output() 时会出现闪烁动画。虽然可以使用，但我们仍在寻找解决方案。

离线操作说明

Coursera 的 Jupyter 环境在大量学员同时使用时可能会比较慢。由于我们的任务计算量较大，我们建议您在本地硬件上运行，以获得最佳性能。

您需要一台至少配备 4GB 内存的计算机。

在本地设置 Jupyter Notebook 有两种方式：使用 Docker 容器或 Anaconda。

Docker 容器方式（最适合 Mac/Linux）

请按照 https://hub.docker.com/r/zimovnov/coursera-aml-docker/ 上的说明安装 Docker 容器，其中已预装所有必要的软件。

安装完成后，您应该会在浏览器中看到 Jupyter 页面。

Anaconda 方式（最适合 Windows）

我们强烈建议您安装 Docker 环境，但如果条件不允许，也可以尝试使用 Anaconda 安装所需的 Python 模块。

首先，请从 这里 下载并安装包含 Python 3.5+ 的 Anaconda。

然后从 这里 下载 conda_requirements.txt 文件。

在 Mac/Linux 上打开终端，或在 Windows 的开始菜单中打开“Anaconda Prompt”，并运行以下命令：

conda config --append channels conda-forge
conda config --append channels menpo
conda install --yes --file conda_requirements.txt

要启动 Jupyter Notebook，请在 Mac/Linux 上运行 jupyter notebook，或在 Windows 的开始菜单中选择“Jupyter Notebook”。

之后，您应该会在浏览器中看到 Jupyter 页面。

在 Jupyter Notebook 中准备资源（仅限本地设置）

点击 New -> Terminal，然后执行：git clone https://github.com/hse-aml/intro-to-dl.git
在 Windows 上，您可能需要先安装 Git。您也可以直接从 GitHub 页面下载所有资源的压缩包。

关闭终端并刷新 Jupyter 页面，您将看到 intro-to-dl 文件夹，进入该文件夹后，所有必要的笔记本都已准备就绪。

首先，您需要下载必要的资源。为此，请打开 download_resources.ipynb，并运行与 Keras 和您所在周相关的单元格。

现在，您可以打开对应周的笔记本，像在 Coursera 的 Jupyter 环境中一样进行学习和练习。

在离线设置中使用 GPU（适用于高级用户）

• 如果您使用的是 Linux 主机，可以参考以下 Docker 指南：
  https://github.com/ZEMUSHKA/coursera-aml-docker#using-gpu-in-your-container-linux-hosts-only
• 最简单的方法是使用 Anaconda 设置，因为它不需要虚拟化，因此可以在所有平台上（包括 Windows 和 Mac）使用 GPU。不过，您仍需在主机上安装 NVIDIA GPU 驱动程序、CUDA 工具包和 CuDNN（需在 NVIDIA 官网注册），以便 TensorFlow 能够利用您的 GPU：
  https://www.tensorflow.org/versions/r1.2/install/install_linux#nvidia_requirements_to_run_tensorflow_with_gpu_support
  这一过程可能较为复杂，因此您也可以选择使用 CPU 版本，这对本课程的学习来说同样足够。

intro-to-dl 快速上手指南

本指南旨在帮助开发者快速搭建深度学习入门课程（Introduction to Deep Learning）的本地或云端运行环境。

环境准备

在开始之前，请确保满足以下系统要求：

• 硬件要求：至少 4GB 内存。若需使用 GPU 加速，需配备 NVIDIA 显卡。
• 操作系统：Windows、macOS 或 Linux。
• 前置依赖（二选一）：
  • 方案 A（推荐 Mac/Linux）：已安装 Docker。
  • 方案 B（推荐 Windows）：已安装 Anaconda (Python 3.5+)。
• 账号准备（仅云端模式）：Google 账号（用于 Colab）。

注意：国内用户访问 GitHub 或 Google Colab 可能受限。若网络不畅，强烈建议使用离线本地部署方案，并配置国内镜像源加速依赖下载。

---

安装步骤

方案一：使用 Google Colab（云端免配置）

适合希望立即开始编码且无需本地安装环境的用户。

1. 访问 https://colab.research.google.com 并登录 Google 账号。
2. 点击 GITHUB 标签页，粘贴仓库地址 https://github.com/hse-aml/intro-to-dl 并回车。
3. 选择需要运行的 Notebook（例如：week2/v2/mnist_with_keras.ipynb）。
4. 点击菜单栏 File -> Save a copy in Drive... 将副本保存至个人 Google Drive。
5. 点击 Runtime -> Change runtime type，在 Hardware accelerator 下拉框中选择 GPU。
6. 在第一个代码单元格中执行以下命令以安装依赖（务必取消注释对应周数的代码行）：

! shred -u setup_google_colab.py
! wget https://raw.githubusercontent.com/hse-aml/intro-to-dl/master/setup_google_colab.py -O setup_google_colab.py
import setup_google_colab
# please, uncomment the week you're working on
# setup_google_colab.setup_week1()
# setup_google_colab.setup_week2()
# setup_google_colab.setup_week2_honor()
# setup_google_colab.setup_week3()
# setup_google_colab.setup_week4()
# setup_google_colab.setup_week5()
# setup_google_colab.setup_week6()

方案二：本地部署 - Docker 容器（Mac/Linux 首选）

1. 参考官方文档安装 Docker 及包含所有必要软件的镜像： https://hub.docker.com/r/zimovnov/coursera-aml-docker/
2. 启动容器后，浏览器会自动打开 Jupyter 页面。

方案三：本地部署 - Anaconda（Windows 首选）

1. 从官网下载并安装 Anaconda (Python 3.5+)。
2. 下载依赖配置文件 conda_requirements.txt： https://github.com/ZEMUSHKA/coursera-aml-docker/blob/master/conda_requirements.txt
3. 打开终端（Mac/Linux）或 "Anaconda Prompt"（Windows），运行以下命令配置国内镜像源并安装依赖：

# 配置清华镜像源（加速下载）
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --set show_channel_urls yes

# 添加课程所需频道
conda config --append channels conda-forge
conda config --append channels menpo

# 安装依赖（确保 conda_requirements.txt 在当前目录）
conda install --yes --file conda_requirements.txt

4. 启动 Jupyter：
   • Mac/Linux: 运行 jupyter notebook
   • Windows: 在开始菜单点击 "Jupyter Notebook"

本地资源初始化（Docker/Anaconda 通用）

环境启动后，需在 Jupyter 界面内获取课程代码：

1. 在 Jupyter 主页点击 New -> Terminal。
2. 执行克隆命令（Windows 用户若未安装 Git，可直接在 GitHub 页面下载 ZIP 包解压）：

   git clone https://github.com/hse-aml/intro-to-dl.git
   

   (国内用户若克隆速度慢，可尝试使用 Gitee 镜像或手动下载 ZIP)
3. 关闭终端，刷新 Jupyter 页面，进入 intro-to-dl 文件夹。
4. 打开 download_resources.ipynb，运行对应 Keras 版本和当前周数的单元格以下载数据集等资源。

---

基本使用

完成上述安装和资源下载后，即可开始学习：

1. 选择课程笔记：在 intro-to-dl 文件夹中，根据当前学习进度打开对应的 Notebook（如 week1/...ipynb）。
2. 运行代码：按顺序执行单元格（Cell），代码将自动加载数据并训练模型。
3. GPU 资源管理（仅限 Colab）： 若同时运行多个笔记导致显存不足，可在新单元格执行以下命令清理进程：

   ! pkill -9 python3
   

   并通过以下命令确认显存是否释放：

   ! nvidia-smi
   

提示：对于本地高级用户，若需启用 GPU 加速，Linux 用户可配置 Docker GPU 支持；Windows/Mac 用户建议直接使用 Anaconda 环境，并预先安装好 NVIDIA 驱动、CUDA Toolkit 及 CuDNN。若配置困难，使用 CPU 版本亦足以完成本课程练习。