J'expliquerai la procédure pour introduire l'environnement de développement d'une application d'apprentissage automatique avec Python, en particulier Numpy / Scipy / scikit-learn. L'environnement est supposé être basé sur Python3.
Étant donné que de nombreux paquets d'apprentissage automatique sont difficiles à compiler, il est recommandé de créer un environnement avec conda (Miniconda) où vous pouvez installer des binaires compilés. Faire.
Tout d'abord, nous allons créer un environnement de base tel que Python lui-même (en supposant Python 3), pip qui est un outil de gestion de paquet, et virtualenv qui crée un environnement virtuel.
Mac/Linux Utilisez pyenv pour l'installer séparément du Python par défaut.
# 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 virtualenvSi vous voulez changer le Python utilisé dans chaque projet, vous pouvez le définir avec pyenv local x.x.x.
Vous aurez besoin de pyenv rehash après avoir installé le nouvel environnement Python avec pyenv (voir ici). Veuillez noter qu'il est facile de l'oublier.
Après avoir installé Miniconda, utilisez conda pour créer l'environnement virtuel ml_env pour l'apprentissage automatique (quel que soit son nom).
conda create -n ml_env numpy scipy scikit-learn matplotlib cython jupyter
Une fois créé, activons cet environnement virtuel pour l'apprentissage automatique.
source activate ml_env ... devrait être bien, mais lors de l'utilisation de pyenv, ʻactivate de peenv et ʻactivate de conda semblent être au bâton, et le shell peut tomber.
Pour contourner le problème, spécifiez correctement l'activation de conda avec le chemin complet. Vérifiez l'emplacement de l'environnement virtuel créé par conda avec conda info -e, et lancez ʻactivate dans bin` là.
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
Cependant, cela est gênant. pyenv local semble être capable de spécifier l'environnement créé par Miniconda, donc je pense que pyenv local miniconda 3-3.4.2 / envs / ml_env est plus facile.
Windows
Installation de Python: Miniconda
Installer pip: conda install pip
Installer virtualenv: pip install virtualenv
La miniconda basée sur Python 3.5 nécessite Visual C ++ Runtime for Visual Studio 2015. Notez que si cela n'est pas installé, une erreur se produira lors de l'installation (à partir du 13 novembre 2015. Elle devrait être bientôt prise en charge. [Python 3.5 manquant VCRUNTIME140.dll](https://github.com/ContinuumIO/anaconda- issues / issues / 443))).
Après avoir installé Miniconda, utilisez conda à partir de l'invite de commande pour créer l'environnement virtuel ml_env pour l'apprentissage automatique (quel que soit son nom).
conda create -n ml_env numpy scipy scikit-learn matplotlib cython jupyter
Une fois créé, activons cet environnement virtuel pour l'apprentissage automatique.
activate ml_env
Si vous n'utilisez pas Miniconda (si vous utilisez virtualenv), vous devrez compiler Numpy / Scipy. La procédure de création de cet environnement est expliquée ci-dessous. On suppose que Python, pip et virtualenv sont déjà inclus.
Mac Vous devez installer gcc / gfortran, donc installez Xcode et Xcode CommandLine Tools.
L'outil de ligne de commande Xcode peut être installé avec la commande suivante après l'installation de Xcode.
xcode-select --install
Puisque gfortran est nécessaire pour installer scipy, nous l'installerons également.
L'environnement devrait être prêt maintenant ... alors vérifions le fonctionnement. Créez un dossier approprié et créez-y un environnement virtuel pour l'apprentissage automatique. Utilisez requirements.txt dans ce Gist.
mkdir ml_env_test
cd ml_env_test
#Créer un environnement virtuel
virtualenv venv
#Activer l'environnement virtuel
source venv/bin/activate
#Exigences de RAW sur GitHub.Obtenez txt(Vous pouvez le copier normalement pour créer un fichier texte)
curl https://gist.githubusercontent.com/icoxfog417/420ac8eb3fad524ee2d6/raw/ac4122eb7b53b40274d2e7ced224abaa28a383c7/requirements.txt > requirements.txt
#Installer les bibliothèques dépendantes
pip install -r requirements.txt
L'installation de scipy est assez lente et consomme de la mémoire, donc si vous exécutez Chrome ou quelque chose du genre, vous obtiendrez une erreur de mémoire. Espérons que la compilation passera et attendons tranquillement.
Lorsque pip install est terminé, la vérification de l'opération est terminée.
Linux(Ubuntu)
Je pense que ce n'est pas grave si vous obtenez ce qui suit (Ubuntu 14.04).
build-essential
gfortran
libgfortran3
python-dev(python3-dev)
libblas-dev
libatlas-base-dev
cython
La commande pour créer un environnement virtuel est la même que pour Mac, donc reportez-vous à ce qui précède.
Windows
Il est extrêmement difficile de compiler sous Windows, alors téléchargez le binaire compilé à partir d'ici et installez-le.
Unofficial Windows Binaries for Python Extension Packages
En utilisant le fichier .whl qui peut être obtenu ici, installez-le avec pip install <file_path>. Les bibliothèques requises sont indiquées dans requirements.txt here.
mkdir ml_env_test
cd ml_env_test
#Créer un environnement virtuel
virtualenv venv
#Activer l'environnement virtuel
venv\Scripts\activate
# (Depuis le site ci-dessus.Déposez le fichier whl)
# .Installez le fichier whl(Voici un exemple de numpy)
pip install numpy‑1.9.2+mkl‑cp34‑none‑win32.whl
Si vous souhaitez compiler vous-même, vous devez installer Visual Studio, MinGW / Cygwin, etc., donc c'est un grand moyen. Je pense qu'il vaut mieux s'arrêter à moins qu'il n'y ait quelque chose de spécial.
Veuillez consulter ici pour plus de détails.
koudaiii a préparé Docker et shiraco a préparé Ansible pour que vous puissiez le mettre.
koudaiii/ml-handson shiraco/ansible_ipython_machineleaning_bootstrap_conda
Après avoir activé avec succès l'environnement virtuel (plus l'installation de pip pour virtualenv), essayez de lancer jupyter notebook. Nous avons préparé un Repository qui explique scikit-learn, veuillez donc vérifier si vous pouvez le voir.
git clone https://github.com/icoxfog417/scikit-learn-notebook.git
cd scikit-learn-notebook
jupyter notebook