Virtuelle Python-Umgebung und Pakete unter Ubuntu

Einführung

• Weitere Informationen finden Sie unter Offizielles Tutorial.
• Virtuelle Python-Umgebung und -Pakete unter Windows

Erstellen einer virtuellen Umgebung mit venv

Installation der Python-Umgebung

$ sudo apt update && upgrade
$ sudo apt install python3-pip
$ sudo python3 -m pip install pip -U
$ sudo apt install python3-venv
$ sudo apt install python3-tk

Aufbau einer virtuellen Umgebung

$ python3 -m venv myapp

Virtuelle Umgebung aktivieren

$ cd myapp
$ source bin/activate
(myapp) $ pip install pip --upgrade
(myapp) $ pip install setuptools --upgrade

Installation von Paketen zum maschinellen Lernen

(myapp) $ pip install numpy
(myapp) $ pip install pandas
(myapp) $ pip install matplotlib
(myapp) $ pip install pillow
(myapp) $ pip install IPython
(myapp) $ pip install tensorflow
(myapp) $ pip install scikit-learn
(myapp) $ pip install scipy
(myapp) $ pip install jupyter

Überprüfen Sie die installierten Pakete

(myapp) $ pip freeze

Deaktivieren Sie die virtuelle Umgebung

(myapp) $ deactivate

Virtuelle Umgebung löschen

$ cd ..
$ rm -fR myapp

Funktionsprüfung

numpy,matplotlib

plt.py

import numpy as np
import matplotlib.pyplot as plt

def relu(x):
    return np.maximum(0, x)

x = np.arange(-5.0, 5.0, 0.1)
y = relu(x)
plt.plot(x, y)
plt.ylim(-0.5, 5.5)
plt.show()

pandas

pd.py

import pandas as pd

df = pd.DataFrame({
    "Name": ["Braund, Mr. Owen Harris",
        "Allen, Mr. William Henry",
        "Bonnell, Miss. Elizabeth"],
    "Age": [22, 35, 58],
    "Sex": ["male", "male", "female"]}
)

print(df)

tkinter

tk.py

import tkinter as tk

root = tk.Tk()
root.title('Hello World!')
root.geometry('400x200')
root.mainloop()

scikit-learn

sl.py

from sklearn import svm
from sklearn import datasets

digits = datasets.load_digits()
clf = svm.SVC(gamma=0.001, C=100)
clf.fit(digits.data[:-1], digits.target[:-1])
ans = clf.predict(digits.data[-1:])

print(f'Target Number : {digits.target[-1]}')
print(f'Predict Number: {ans[0]}')

SciPy

sp.py

from scipy import misc
import matplotlib.pyplot as plt

face = misc.face()
plt.imshow(face)
plt.show()

TensorFlow

tf.py

from __future__ import absolute_import, division, print_function, unicode_literals

#Installieren Sie TensorFlow

import tensorflow as tf

mnist = tf.keras.datasets.mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

model.fit(x_train, y_train, epochs=5)

model.evaluate(x_test,  y_test, verbose=2)

jupyter

$ jupyter notebook

SSH-Verbindung

Installation des SSH-Servers

$ sudo apt install openssh-server

abschließend

――Es wird empfohlen, da Sie in einer virtuellen Umgebung verschiedene Dinge ausprobieren können.