Ich werde das Verfahren zur Einführung in die Entwicklungsumgebung der Anwendung für maschinelles Lernen mit Python erläutern, insbesondere Numpy / Scipy / scikit-learn. Es wird angenommen, dass die Umgebung Python3-basiert ist.
Da das Kompilieren vieler maschineller Lernpakete schwierig ist, wird empfohlen, eine Umgebung mit "conda" (Miniconda) zu erstellen, in der Sie kompilierte Binärdateien installieren können. Machen.
Zunächst erstellen wir eine Basisumgebung wie Python selbst (unter der Annahme von Python 3), pip, ein Paketverwaltungstool, und virtualenv, das eine virtuelle Umgebung erstellt.
Mac/Linux Verwenden Sie pyenv, um es getrennt vom Standard-Python zu installieren.
# confirm installation
pyenv --version
# show python environments list
pyenv install -l
# install newest miniconda
pyenv install miniconda3-x.x.x
# refresh pyenv
pyenv rehash
# activate installed python environment globally
pyenv global miniconda3-x.x.x
pip install virtualenvWenn Sie den in jedem Projekt verwendeten Python wechseln möchten, können Sie ihn mit "pyenv local x.x.x" festlegen. Nach der Installation der neuen Python-Umgebung mit pyenv benötigen Sie "pyenv rehash" (siehe hier). Bitte beachten Sie, dass es leicht zu vergessen ist.
Verwenden Sie nach der Installation von Miniconda "conda", um die virtuelle Umgebung "ml_env" für maschinelles Lernen zu erstellen (unabhängig vom Namen).
conda create -n ml_env numpy scipy scikit-learn matplotlib cython jupyter
Nach der Erstellung aktivieren wir diese virtuelle Umgebung für maschinelles Lernen.
source enable ml_env ... sollte in Ordnung sein, aber bei Verwendung von pyenv scheinen pyenvs enable und condas enable zu schlagen, und die Schale kann fallen.
Geben Sie als Problemumgehung die Aktivierung von conda ordnungsgemäß mit dem vollständigen Pfad an. Überprüfen Sie den Speicherort der von conda erstellten virtuellen Umgebung mit "conda info -e" und starten Sie dort "aktivieren" in "bin".
conda info -e
# conda environments:
#
ml_env /usr/local/pyenv/versions/miniconda3-3.4.2/envs/ml_env
root * /usr/local/pyenv/versions/miniconda3-3.4.2
source /usr/local/pyenv/versions/miniconda3-3.4.2/envs/ml_env/bin/activate ml_env
Dies ist jedoch problematisch. pyenv local scheint in der Lage zu sein, die von Miniconda erstellte Umgebung anzugeben, daher denke ich, dass pyenv local miniconda 3-3.4.2 / envs / ml_env einfacher ist.
Windows
Python-Installation: Miniconda
Pip installieren: conda install pip
Installiere virtualenv: pip install virtualenv
Für Python 3.5-basierte Miniconda ist [Visual C ++ Runtime für Visual Studio 2015] erforderlich (https://www.microsoft.com/ja-JP/download/details.aspx?id=48145). Wenn dies nicht installiert ist, tritt während der Installation ein Fehler auf (Stand: 13. November 2015. Er sollte bald unterstützt werden. [Python 3.5 fehlt VCRUNTIME140.dll](https://github.com/ContinuumIO/anaconda- Issues / Issues / 443))).
Verwenden Sie nach der Installation von Miniconda "conda" an der Eingabeaufforderung, um die virtuelle Umgebung "ml_env" für maschinelles Lernen zu erstellen (unabhängig vom Namen).
conda create -n ml_env numpy scipy scikit-learn matplotlib cython jupyter
Nach der Erstellung aktivieren wir diese virtuelle Umgebung für maschinelles Lernen.
activate ml_env
Wenn Sie Miniconda nicht verwenden (wenn Sie virtualenv verwenden), müssen Sie Numpy / Scipy kompilieren. Das Verfahren zum Erstellen dieser Umgebung wird unten erläutert. Es wird davon ausgegangen, dass Python, pip und virtualenv bereits enthalten sind.
Mac Sie müssen gcc / gfortran installieren, installieren Sie also Xcode und Xcode CommandLine Tools.
Das Xcode-Befehlszeilentool kann nach der Installation von Xcode mit dem folgenden Befehl installiert werden.
xcode-select --install
Da gfortran für die Installation von scipy erforderlich ist, werden wir es auch installieren.
Die Umgebung sollte jetzt bereit sein ... also lassen Sie uns den Betrieb überprüfen. Erstellen Sie einen geeigneten Ordner und erstellen Sie dort eine virtuelle Umgebung für maschinelles Lernen. Verwenden Sie Anforderungen.txt in dieser Übersicht.
mkdir ml_env_test
cd ml_env_test
#Erstellen Sie eine virtuelle Umgebung
virtualenv venv
#Virtuelle Umgebung aktivieren
source venv/bin/activate
#Anforderungen von RAW auf GitHub.Holen Sie sich txt(Sie können es normal kopieren, um eine Textdatei zu erstellen)
curl https://gist.githubusercontent.com/icoxfog417/420ac8eb3fad524ee2d6/raw/ac4122eb7b53b40274d2e7ced224abaa28a383c7/requirements.txt > requirements.txt
#Installieren Sie abhängige Bibliotheken
pip install -r requirements.txt
Die Installation von scipy ist ziemlich langsam und verbraucht Speicher. Wenn Sie also Chrome oder etwas anderes ausführen, wird ein Speicherfehler angezeigt. Lasst uns für die Zusammenstellung beten und ruhig warten.
Wenn die Pip-Installation abgeschlossen ist, ist die Funktionsprüfung abgeschlossen.
Linux(Ubuntu)
Ich denke, es ist in Ordnung, wenn Sie Folgendes erhalten (Ubuntu 14.04).
build-essential
gfortran
libgfortran3
python-dev(python3-dev)
libblas-dev
libatlas-base-dev
cython
Der Befehl zum Erstellen einer virtuellen Umgebung ist der gleiche wie für Mac. Weitere Informationen finden Sie oben.
Windows
Das Kompilieren unter Windows ist äußerst schwierig. Laden Sie daher die kompilierte Binärdatei von hier herunter und installieren Sie sie.
Unofficial Windows Binaries for Python Extension Packages
Installieren Sie die Datei ".whl", die Sie hier erhalten, mit "pip install
mkdir ml_env_test
cd ml_env_test
#Erstellen Sie eine virtuelle Umgebung
virtualenv venv
#Virtuelle Umgebung aktivieren
venv\Scripts\activate
# (Von der oben genannten Seite.Löschen Sie die whl-Datei)
# .Installieren Sie die whl-Datei(Unten ist ein Beispiel für Numpy)
pip install numpy‑1.9.2+mkl‑cp34‑none‑win32.whl
Wenn Sie selbst kompilieren möchten, müssen Sie Visual Studio, MinGW / Cygwin usw. installieren, es ist also ein großer Weg. Ich denke, es ist am besten aufzuhören, es sei denn, es gibt etwas Besonderes.
Einzelheiten entnehmen Sie bitte hier.
koudaiii bereitete Docker und shiraco Ansible vor, damit Sie es einfügen können.
koudaiii/ml-handson shiraco/ansible_ipython_machineleaning_bootstrap_conda
Versuchen Sie nach erfolgreicher Aktivierung der virtuellen Umgebung (plus Pip-Installation für virtualenv), "jupyter notebook" zu starten. Wir haben ein Repository, das scikit-learn erklärt vorbereitet. Überprüfen Sie daher, ob Sie es sehen können.
git clone https://github.com/icoxfog417/scikit-learn-notebook.git
cd scikit-learn-notebook
jupyter notebook
Recommended Posts