Windows用户 第一次运行需要完整完成下面5个步骤。如果是再次运行，可以忽略前面3步的下载和安装，直接跳转到第四步和第五步。
第一步是根据操作系统下载并安装Miniconda，在安装过程中需要勾选“Add Anaconda to the system PATH environment variable”选项（如当conda版本为4.6.14时）。
第二步是下载包含本书全部代码的压缩包。我们可以在浏览器的地址栏中输入 https://zh.d2l.ai/d2l-zh-1.1.zip 并按回车键进行下载。下载完成后，创建文件夹“d2l-zh”并将以上压缩包解压到这个文件夹。在该目录文件资源管理器的地址栏输入cmd进入命令行模式。
第三步是使用conda创建虚拟（运行）环境。conda和pip默认使用国外站点来下载软件，我们可以配置国内镜像来加速下载（国外用户无须此操作）。
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple 接下来使用conda创建虚拟环境并安装本书需要的软件。这里environment.yml是放置在代码压缩包中的文件。使用文本编辑器打开该文件，即可查看运行压缩包中本书的代码所依赖的软件（如MXNet和d2lzh包）及版本号。
conda env create -f environment.yml 若使用国内镜像后出现安装错误，首先取消PyPI镜像配置，即执行命令pip config unset global.index-url。然后重试命令conda env create -f environment.yml。
第四步是激活之前创建的环境。激活该环境是能够运行本书的代码的前提。如需退出虚拟环境，可使用命令conda deactivate（若conda版本低于4.4，使用命令deactivate）。
conda activate gluon # 若conda版本低于4.4，使用命令activate gluon 第五步是打开Jupyter记事本。
jupyter notebook 这时在浏览器打开 http://localhost:8888 （通常会自动打开）就可以查看和运行本书中每一节的代码了。
- Linux/macOS用户 第一步是根据操作系统下载Miniconda，它是一个sh文件。打开Terminal应用进入命令行来执行这个sh文件，例如：
sh Miniconda3-latest-Linux-x86_64.sh 安装时会显示使用条款，按“↓”继续阅读，按“Q”退出阅读。之后需要回答下面几个问题（如当conda版本为4.6.14时）：
Do you accept the license terms? [yes|no] [no] >>> yes Do you wish the installer to initialize Miniconda3 by running conda init? [yes|no] [no] >>> yes 安装完成后，需要让conda生效。Linux用户需要运行一次source ~/.bashrc或重启命令行应用；macOS用户需要运行一次source ~/.bash_profile或重启命令行应用。
第二步是下载包含本书全部代码的压缩包，解压后进入文件夹。运行以下命令。Linux用户如未安装unzip，可运行命令sudo apt install unzip安装。
mkdir d2l-zh && cd d2l-zh curl https://zh.d2l.ai/d2l-zh-1.1.zip -o d2l-zh.zip unzip d2l-zh.zip && rm d2l-zh.zip 第三步至第五步可参考前面Windows下的安装步骤。若conda版本低于4.4，其中第四步需将命令替换为source activate gluon，并使用命令source deactivate退出虚拟环境。
- 使用GPU版的MXNet 通过前面介绍的方式安装的MXNet只支持CPU计算。本书中部分章节需要或推荐使用GPU来运行。如果你的计算机上有NVIDIA显卡并安装了CUDA，建议使用GPU版的MXNet。
第一步是卸载CPU版本MXNet。如果没有安装虚拟环境，可以跳过此步。如果已安装虚拟环境，需要先激活该环境，再卸载CPU版本的MXNet。
pip uninstall mxnet 然后退出虚拟环境。
第二步是更新依赖为GPU版本的MXNet。使用文本编辑器打开本书的代码所在根目录下的文件environment.yml，将里面的字符串“mxnet”替换成对应的GPU版本。例如，如果计算机上装的是8.0版本的CUDA，将该文件中的字符串“mxnet”改为“mxnet-cu80”。如果计算机上安装了其他版本的CUDA（如7.5、9.0、9.2等），对该文件中的字符串“mxnet”做类似修改（如改为“mxnet-cu75”“mxnet-cu90”“mxnet-cu92”等）。保存文件后退出。
第三步是更新虚拟环境，执行命令
conda env update -f environment.yml 之后，我们只需要再激活安装环境就可以使用GPU版的MXNet运行本书中的代码了。需要提醒的是，如果之后下载了新代码，那么还需要重复这3步操作以使用GPU版的MXNet。
2.1.4. 小结 为了能够动手学深度学习，需要获取本书的代码并安装运行环境。 建议大家定期更新代码和运行环境。