[PYTHON] Erstellen Sie eine maschinelle Lernumgebung mit PyCharm in einer Ubuntu-Umgebung (TensorFlow wird ebenfalls eingeführt!).

Maschinelles Lernen ist heutzutage sehr beliebt, aber ich hatte das Gefühl, dass es in vielen Situationen schwierig ist, eine Umgebung aufzubauen. Deshalb möchte ich einen Artikel als Memorandum verfassen und eine Information bereitstellen.

Umgebung Ubuntu 16.04.1 LTS unter Windows 10 (mit VirtualBox)

Weitere Informationen zum Aufbau von Umgebungen finden Sie auf anderen Websites [1] [2] / 2016/11/28/210512) [3]

Zweck des Artikels

In diesem Artikel geht es darum, maschinelles Lernen und Deep Learning mit PyCharm auf dem neu installierten Gastbetriebssystem Ubuntu zu ermöglichen. Ermöglichen Sie insbesondere die Verwendung von TensorFlow, NumPy usw.

Dieses Mal erstellen wir eine TensorFlow-Umgebung mit nur einer CPU.
Ich wäre Ihnen dankbar, wenn Sie auf Fehler oder andere gute Methoden hinweisen könnten.

Verfahren

Installieren Sie Anaconda3 (dies bereitet die grundlegende Python-Umgebung vor).
Erstellen einer Python 3.5-Umgebung
Installieren und konfigurieren Sie PyCharm
Installieren Sie TensorFlow
Bestätigung

Der Code, der im gesamten Artikel angezeigt wird, ist ein Linux-Befehl oder Python. Sofern oben nicht anders angegeben, handelt es sich um einen Linux-Befehl. Außerdem werden alle Linux-Befehle als allgemeine Benutzer (nicht als Administratoren) ausgeführt (die Notation wie $ wird weggelassen).

Installation von Anaconda3

Überprüfen Sie unter hier das Betriebssystembit, die Python-Version usw. und installieren Sie das entsprechende. Ich habe das Python 3.6-Installationsprogramm für Linux heruntergeladen. Weitere Informationen [hier [4]](http://pythondatascience.plavox.info/python%E3%81%AE%E3%82%A4%E3%83%B3%E3%82%B9%E3%83%88 Siehe% E3% 83% BC% E3% 83% AB / anaconda-ubuntu-linux /).

Nach Abschluss der Installation wird eine sh-Datei im Verzeichnis ~ / Downloads erstellt. Geben Sie den folgenden Befehl ein. Beziehen Sie sich auf die Site von [4] und fahren Sie fort (wenn Sie nach Ja / Nein gefragt werden, können Sie die Eingabetaste drücken).

`bash ~/Downloads/Anaconda3-4.3.0-Linux-x86_64.sh`


echo 'export PATH=/home/user/anaconda3/bin:$PATH' >> ~/.bashrc
source ~/.bashrc```

 * (Es scheint, dass die obige Version derzeit für die Version von Anaconda installiert ist. Bitte überprüfen Sie die Version, bevor Sie den Befehl ausführen.)
 Es ist in Ordnung, wenn Sie die Version von conda mit dem folgenden Befehl anzeigen können.


#### **`conda -V #conda 4.3.8`**

Überprüfen Sie auch die Python-Version.

`python --version #Python 3.6.0 :: Anaconda 4.3.0 (64-bit)`



 Die Python-Version scheint 3.6.0 zu sein.
 Hierbei ist zu beachten, dass TensorFlow derzeit bis zu 3.5 für Python 3-Serien zu unterstützen scheint. Daher werden wir mit anaconda eine Umgebung für TensorFlow erstellen.


## Erstellen Sie eine Umgebung für Python 3.5
 Führen Sie den folgenden Befehl aus. Erstellen Sie eine Python 3.5-Versionsumgebung mit dem Namen tf.


#### **`conda create -n tf python=3.5 anaconda`**
```5 anaconda


 Jetzt können Sie die python3.5-Umgebung mit source arctivate tf aufrufen. Lassen Sie uns den Befehl ausführen.
 (Quelle deaktivieren, wenn deaktiviert)

source arctivate tf

## Installieren Sie TensorFlow
 Installieren Sie TensorFlow. Führen Sie den folgenden Befehl aus.

export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.11.0-cp35-cp35m-linux_x86_64.whl pip install --upgrade $TF_BINARY_URL


## Installieren Sie PyCharm
 Laden Sie PyCharm von [hier] herunter (http://www.jetbrains.com/pycharm/download/#section=linux). Dieses Mal werden wir die Community Edition verwenden.

 Wechseln Sie in das Verzeichnis, in dem sich die heruntergeladene Datei befindet. Wenn Sie das Verzeichnis nicht kennen, können Sie in Firefox die Download-Liste anzeigen, indem Sie auf den Abwärtspfeil in der oberen rechten Ecke klicken. Klicken Sie auf die Ordnerschaltfläche rechts neben der Datei, in der das Verzeichnis angezeigt werden soll, um zu dem Verzeichnis zu springen, in dem sich die Datei befindet.

 Entpacken Sie diesmal im Verzeichnis die Datei "pycharm-community-2016.3.2.tar.gz". Sie können einen Befehl verwenden. Klicken Sie diesmal jedoch mit der rechten Maustaste auf die Datei und wählen Sie "Extrahieren nach", um sie zu extrahieren, während Sie das Extraktionsziel angeben. Das Dekomprimierungsziel ist das Ausgangsverzeichnis des Benutzers.

 PyCharm wird mit dem folgenden Befehl ausgeführt.

bash pycharm-community-2016.3.2/bin/pycharm.sh


 Erstellen Sie ein neues Projekt mit Neues Projekt erstellen.
 ![Pycharm_newProject.PNG](https://qiita-image-store.s3.amazonaws.com/0/120532/66b88ba4-c5db-4f9d-68cc-ecc4966aae26.png)

 Geben Sie dann den Interpreter an. In meiner Umgebung habe ich ~ / anaconda3 / envs / tf / bin / python angegeben. Wenn Sie nicht wissen, welche Sie angeben sollen, behalten Sie einfach die Standardeinstellungen bei und fahren Sie fort. Das Projekt wird erstellt (es kann einige Zeit dauern).
 ![pycharm_interpreter.PNG](https://qiita-image-store.s3.amazonaws.com/0/120532/2b8eb9a1-1113-3323-4c2e-961a0548ef41.png)

 Um Interpreter auszuwählen, wählen Sie in der Symbolleiste Datei-> Einstellungen-> Projekt: Projektname-> Projektinterpreter.
 * Es scheint, dass Einstellungen als Präferenz bezeichnet werden können.

 ![asdf.PNG](https://qiita-image-store.s3.amazonaws.com/0/120532/e5dc4d48-0d35-115c-d580-2173fc4fae7a.png)

 Sie können Interpreter aus dem Pulldown-Menü auswählen. Sie können auch sehen, welche Art von Paket enthalten ist. Wählen Sie also das Paket aus, das die erforderlichen Elemente enthält. Dieses Mal habe ich beurteilt, ob Tensorflow, Matplotlib und Numpy enthalten sind.

 ![sdf.PNG](https://qiita-image-store.s3.amazonaws.com/0/120532/a6a3f2c1-a11b-72f9-28d0-86349d6dd075.png)
 * Sie können das Paket und die Version überprüfen

## Bestätigung
 Lassen Sie uns nun überprüfen, ob TensorFlow usw. tatsächlich funktioniert.
 Erstellen Sie eine Python-Datei. Diesmal war es main.py.

 ![sa.PNG](https://qiita-image-store.s3.amazonaws.com/0/120532/cc053ec2-2e61-04aa-4a64-3890956fe321.png)

 Geben Sie den folgenden Python-Code ein und führen Sie ihn aus (Sie können ihn mit Strg + Umschalt + F10 ausführen). Ich habe auf [hier] verwiesen (http://dev.classmethod.jp/machine-learning/tensorflow-hello-world/) (Da es jedoch in der Python2-Serie geschrieben wurde, wurde es in die Python3-Serie umgeschrieben).


#### **`main.py`**
```python

import tensorflow as tf
import multiprocessing as mp

core_num = mp.cpu_count()
config = tf.ConfigProto(
    inter_op_parallelism_threads=core_num,
    intra_op_parallelism_threads=core_num)
sess = tf.Session(config=config)

hello = tf.constant('hello, tensorflow!')
print(sess.run(hello))

a = tf.constant(10)
b = tf.constant(32)
print(sess.run(a + b))

Wenn Sie das folgende Ergebnis erhalten, sind Sie erfolgreich.

また、MatplotlibとNumPyについても見てます。コードを上書きしてください。こちらを参考にしました。

`main.py`


import numpy as np
import matplotlib.pyplot as plt

X = np.linspace(-np.pi, np.pi, 256, endpoint=True)
C, S = np.cos(X), np.sin(X)

plt.plot(X, C)
plt.plot(X, S)

plt.show()

Wenn es wie folgt wird, ist es erfolgreich.

Das ist alles. Danke für deine harte Arbeit! Wenn Sie etwas falsch finden oder etwas verbessern müssen, kommentieren Sie dies bitte. glücklich. Wir sind auch denen dankbar, die nützliche Informationen, einschließlich der verlinkten Artikel, teilen. Endlich viel Spaß beim maschinellen Lernen!