即使对于有一定基础的人来说，如果之前没有接触过python，学习深度学习的时候，对一些工具和依赖库依然会感到陌生，我自己就是学Java的，最近在学习深度学习，对 python接触不多，因此对其中一些工具并不熟悉，所以整理了一些常用的介绍一下，当然后续可能还会增加
1. Pycharm
这个就不多说了，写python的编辑器IDE，这要不知道，说明没学过python
2. Andaconda
Anaconda是一个开源的Python和R语言的发行版本，用于计算科学（数据科学、机器学习、大数据处理和预测分析），Anaconda致力于简化软件包管理系统和部署。Anaconda透过Conda进行软件包管理，并拥有许多适用于Windows、Linux和MacOS的数据科学软件包。
简单来说，它就是用来管理环境的 ，我们知道，每个项目所用到的依赖、python版本等都是不一样的，也就是说，每个项目的运行环境都是不一样的 ，当你项目很多的时候，就会有很多环境，切换一个项目就要重新下载或者说重新导入一次环境，无疑是很麻烦的，因此我们需要有一个工具来管理环境。
Andaconda就是这样的一个工具，可以理解为，一个大房子，里面有很多小房间，每一个小房间都是属于某个项目专属的环境，这样我们只要统一配置一次，之后想用哪个环境就切换到哪个环境，就很方便了。
3. PyTorch
PyTorch、TensoFlow和Keras就是我们搭建神经网络的框架
我们在搭建神经网络的时候，不同的网络模型线性回归、逻辑回归、CNN、LSTM等，它们都是很复杂的，底层都是很多数学公式、向量运算等，我们开发的时候不可能一点一点自己来搭建的，这些框架里面就有很多别人封装好的对应的函数，帮助我们快速搭建神经网络。
在早些年，TensoFlow和Keras用的比较多，不过现在明显PyTorch兴起了，取代了这两个，不过底层原理和使用方式都差不多的
4. CUDA
CUDA，是显卡厂商NVIDIA推出的运算平台。通俗解释：CUDA就是让python等程序语言可以同时在CPU和GPU上跑 的一个平台 。CUDA就是由CUDA驱动（CUDA）和**CUDA工具包（CUDAToolkit）**组成。
简单来说，就是有显卡才能用CUDA，我们所说的安装CUDA，其实就是安装CUDAToolkit这个工具包，只有这个工具包，才能使我们的代码在GPU上运行。所以说CUDA是一个平台，不是一个软件。
显卡厂商也很多，但是必须要是英伟达的显卡才能用CUDA，AMD的不行，AMD有自己的运算平台。
5. cuDNN
cuDNN的全称为NVIDIA CUDA Deep Neural Network library，是NVIDIA专门针对深度神经网络中的基础操作 而设计基于GPU的加速库 。cuDNN为深度神经网络中的标准流程提供了高度优化的实现方式，例如convolution、pooling、normalization以及activation layers的前向以及后向过程。CUDA这个平台一开始并没有安装cuDNN库 ，当开发者们需要用到深度学习GPU加速时才安装cuDNN库 ，工作速度相较CPU快很多。
简单来说，我们现在有GPU、有驱动、有CUDA工具包了，可以跑代码了，但是驱动、CUDA没有对我们的GPU进行优化 ，不然还以为你要打游戏呢，如果你别的事都不干，就为了深度学习，那岂不是可以有指向性的对GPU优化一下吗，因此需要额外安装一个cuDNN，会让我们深度学习代码跑的更快。
6. 常用的编程环境
1. python
这不用多说，选择自己适合的版本就好
2.pytorch
前面介绍过了，选版本就好
3. Cudatookit
Cuda的工具包，驱动，为了用上GPU
要注意，安装CUDA的时候版本也要适配自己电脑的显卡，不是什么版本都可以用的。
4. Cudnn
加速GPU
值得一提的是，Cudatookit和Cudnn版本要对应，版本之间是有适配关系的。
5. torchsummary
这个是用来显示我们神经网络模型参数的，比如说根据一些打印参数，判断模型结构正不正确，模型会不会参数太多跑不动，或者帮我们介绍自己的模型。
6. numpy
就是帮我们处理矩阵，处理向量运算的一个数据处理的库
7. pandas
这个就是专门用来处理Excel和csv格式 的文件，我们一般数据集都在excel和csv中，所以通常和numpy一起来处理数据
8. matplotlib
就是用来画图的，最终是要用图形去展示里面的一些，损失函数、精度，包括你写论文也是要展示其中的一些图。
9. sklearn
用来做机器学习的一些处理的，还包括实验数据处理的一个库
就是里面有线性回归、逻辑回归等经典算法，不需要我们重复造轮子
