Quand il s'agit de créer un environnement d'apprentissage automatique avec Python, il y a beaucoup d'articles disant "Installer Anaconda", mais en réalité, la version de configuration minimale d'Anaconda appelée Miniconda est suffisante pour la construction de l'environnement. C'est un article qui exprime cela.
Fondamentalement, ce qui suit est suffisant.
conda create -n ml_env numpy scipy scikit-learn matplotlib jupyterEn fait, il existe des différences subtiles selon qu'il s'agit de Mac ou de Windows, veuillez donc vous reporter ici pour plus de détails.
Veuillez également vous reporter ici pour savoir comment utiliser la commande conda pour créer un environnement de développement.
Si vous souhaitez développer avec Docker, le Dockerfile officiel de Miniconda est fourni. Vous pouvez créer votre propre conteneur immédiatement en héritant de ce Dockerfile avec FROM, puis en ajoutant des bibliothèques supplémentaires à votre guise avec les commandes conda et pip.
Si vous voulez utiliser TensorFlow ou Chainer, vous pouvez faire une pip install supplémentaire.
Anaconda est honnêtement trop lourd. Avec Miniconda, vous pouvez sélectionner tout ce dont vous avez besoin, donc la capacité de l'environnement de développement est d'environ 500 à 600M, mais par rapport à cela, Anaconda prend 2 à 3G simplement en l'installant. Et il y a beaucoup de bibliothèques que vous n'utilisez pas.
Et vous ne savez même pas de quelles bibliothèques dépend votre code. Même si vous décidez de le déployer quelque part, Anaconda a de nombreuses bibliothèques installées par défaut, vous ne saurez donc pas de quelle bibliothèque il dépend. Avec Miniconda, vous pouvez trouver les bibliothèques requises pour chaque environnement. Bien sûr, Anaconda peut également créer un environnement pour chaque projet individuel, mais Miniconda est bien.
Tout cela vient du terrain.