目录
在刚入门机器学习时，我们经常会纠结使用哪种开发工具，我将我周围的同学分成三类：Pycharm用户，Anaconda用户与Pycharm+Anaconda用户，那么这几种各有什么优缺点呢，我将以我在深度学习这的使用体验为例分别介绍。
环境搭建与管理
深度学习的起步便是环境的搭建与管理，我们首先明确几个概念，下图中的VirtualEnv（虚拟环境），CondaEnv（Conda的环境），以及SystemInterpreter（系统环境）的区别。纯属本人理解，有误请指正。
- 虚拟环境：不想使用系统环境，而新建一个虚拟的环境。我们可以新建多个虚拟环境，每个环境中安装不同的包，从而达到不同项目使用不同环境而不互相冲突的效果。
- CondaEnv：方便Pycharm直接调用Anaconda里创建的环境，这个的使用一会解释。
- System Interpreter：使用系统解释器，就是使用本地的环境，当初安装python的时候用pip装了一些包就会在这里。
在环境配置这一方面，Anaconda拥有一套强大的环境管理系统，在安装深度学习环境时尤其方便，我们可以使用命令行快速创建多个虚拟环境，并且一行命令配置tensorflow、pytorch等环境，conda会自动检测我们GPU的型号并配置相应的cuda/cudnn等，并且在安装Anaconda的同时已自带安装了许多工具包。而Pycharm大部分工具包需要我们手动安装，版本需要自己选择。
使用感受
PyCharm: 在编程、调试以及项目管理的手感上，PyCharm具有传统JetBrains的强大功能（个人用着是最顺手的），在我使用的过程中没有什么显著缺点。
Anaconda: Anaconda是计算机工程师们为了计算机科学而自己制作的软件，里面自带许多实用工具，我们常用的有Spyder, Jupyter Notebook和JupyterLab。
- Spyder的优点在于可以方便地观察数据的值。
- JupyterNotebook是基于网页的，更轻量级并且可以分段执行代码，显示执行结果，无需每次从头执行整个文件。
- JupyterLab 则是JupyterNotebook的下一代产品，在Notebook的基础上集成了更多的功能，包括许多自由扩展插件，如果使用Anaconda的话比较推荐这个。
Pycharm+Anaconda
许多人将Pycharm+Anaconda一起使用，原因就是1)既充分利用conda配置管理环境的便捷，2)又可以在熟悉的Jetbrains工具下进行编程，使用其强大的功能。包括学校的许多服务器上就是如此配置的。
方式也很简单，首先使用conda创建环境，安装好自己需要的包后打开Pycharm，在环境配置中就有使用Conda环境的选项：
我们在Existing environment中选择已经配置好的环境就可以了。