附录：深度学习工具

本章来源：本文整理自《动手学深度学习》（zh.d2l.ai）附录《深度学习工具》，原书作者 Aston Zhang、李沐、Zachary C. Lipton、Alexander J. Smola。

本章讲什么

这是全书的收官附录。前几章讲的是概念和模型，这一章讲工具：用什么写代码、在哪跑大模型、怎么选 GPU，以及如何参与开源社区的贡献。这些是真正动手实践时都会用到的。

Jupyter Notebook

Jupyter Notebook 是深度学习中最常用的交互式开发环境，提供"标记单元格（文字/公式）+ 代码单元格（可执行 Python）"的格式——文字与代码混排的"活文档"，非常契合深度学习这种"边实验边记录"的工作方式。

两个实用技巧：

• SSH 端口转发：在远程 GPU 服务器上跑 Jupyter、在本地浏览器访问。这样本地电脑不需要多强的算力。
• 注意 ipynb 原生格式携带大量运行环境元数据，不利于 Git 协作；用纯 Markdown 源码编辑则干净、便于做贡献。

云平台：SageMaker 与 EC2

深度学习算力需求常超本地计算机上限，云服务可以按需租用 GPU 机器。

Amazon SageMaker：AWS 的托管 Notebook 服务。创建 Notebook 实例（比如 1 块 Tesla V100 + 8 核 CPU，足够本书大部分实验），在实例上打开 Jupyter 运行代码。托管省心但成本较高，务必用完停止实例避免持续计费。

Amazon EC2：更"自己动手"的云服务器方案，成本更低。流程三步：请求含 GPU 的 Linux 实例 → 安装 CUDA（NVIDIA 的 GPU 计算平台）→ 安装深度学习框架。远程使用靠 SSH 端口转发。

计费管理上要区分两个概念：

• 停止：保留数据、只收少量硬盘费。
• 终止：删除所有数据。

还可以把配置好的环境做成镜像（AMI）供以后复用——把配好的环境"拍成快照"，反复使用。

选择服务器和 GPU

GPU 是深度学习最具性价比的硬件加速器（比 CPU 便宜且快一个数量级以上），但选配要考虑系统性约束。

选服务器：大部分计算在 GPU 上，CPU 不必堆核——因 Python 全局解释器锁（GIL），多 GPU 场景下单线程快的 CPU 更划算。重点考虑电源（每 GPU 峰值可达 350W）、机箱尺寸与散热、PCIe 插槽（GPU 间通信要带宽）、内存（32-128GB 视卡数）与 SSD。

选 GPU：NVIDIA 因 CUDA 生态而主流，分消费级（GTX/RTX）与企业级（Tesla，被动散热、更多内存、贵约十倍，适合数据中心）。核心看三点：

• 计算能力：追求浮点运算能力，低精度（FP16/INT8）训练推理也渐成主流。
• 内存大小：HBM2 快但贵，GDDR6 更便宜。
• 内存带宽：影响数据吞吐。

功耗 → 热量 → 散热 → 机箱/电源，这条因果链是选配的直觉主线。大规模场景可以直接用云实例。

为开源做贡献

开源书籍的改进周期从"几年"压缩到"几小时到几天"，靠的是版本控制（Git/GitHub）与持续集成（CI，自动运行代码生成输出）。

贡献流程分层：

• 微小修改（改错字/一句话）：可直接在 GitHub 网页上编辑源文件并提交 Pull Request。
• 大量文本修改：需了解 Markdown 与书籍的扩展格式。
• 大量代码修改：Fork（复制）仓库 → 本地 clone → 编辑运行验证 → 清空输出 → 提交 Pull Request。

要点：小的 Pull Request 更易被审阅合并；跨框架代码用专门的标签分框架实现。

小结

• Jupyter Notebook 是文字与代码混排的活文档，配合 SSH 端口转发可在远程 GPU 上使用。
• 云平台按需租用 GPU：SageMaker 托管省心、EC2 自己动手更便宜。
• 选 GPU 看计算能力、内存大小、内存带宽；功耗散热是重要约束。
• 参与开源贡献从小的 Pull Request 开始，版本控制和持续集成让改进变得很快。

关键术语

术语	一句话解释
Jupyter Notebook	文字与代码混排的交互式文档
单元格 / 内核	文档组成单位 / 执行代码的引擎
SSH 端口转发	本地浏览器访问远程服务
SageMaker	AWS 的托管 Notebook 服务
EC2	自建云服务器方案
AMI 镜像	配置好的环境快照，可复用
CUDA	NVIDIA 的 GPU 计算平台
GPU 选型	看计算能力、内存大小、内存带宽
Pull Request	向开源项目提交修改的请求
Fork / Clone	复制仓库到自己的账户 / 到本地