Cài đặt môi trường học máy dựa trên Python trong Windows 10

Hướng dẫn dễ dàng để bắt đầu với học máy

Ảnh của Ahmad Dirini trên Bapt

Mục đích: Để cài đặt môi trường dựa trên Python cho máy học.

Bộ hướng dẫn sau đây được tổng hợp từ khắp nơi trên web và được viết cho HĐH Windows 10. Thử nghiệm lần cuối vào ngày 02/09/2019.

Tổng quan

Khi tôi mới bắt đầu học máy, tôi đã mất vài giờ để tìm cách thiết lập đúng môi trường Python của mình. Vì thất vọng, tôi quyết định viết bài này để giúp bất cứ ai trải qua quá trình này. Chúng tôi sẽ bắt đầu bằng cách cài đặt Anaconda Navigator cho phép chúng tôi tạo ra các môi trường độc lập, điều này sẽ thực sự tiện dụng. Ngoài ra, với Anaconda, chúng ta có thể dễ dàng cài đặt các mô-đun Python tương thích với các lệnh rất đơn giản. Cuối cùng, chúng ta có thể sử dụng Anaconda để có được Spyder - một môi trường phát triển Python khoa học. Nếu bạn làm theo quy trình từng bước được hiển thị bên dưới, bạn sẽ cài đặt Tensorflow, Keras và Scikit-learn ngay lập tức.

Bắt Anaconda

Để bắt đầu xây dựng các mô hình học máy (ML) của bạn với Python, chúng tôi sẽ bắt đầu bằng cách cài đặt Anaconda Navigator. Anaconda cung cấp một cách hiệu quả và dễ dàng để cài đặt các mô-đun Python trên máy của bạn. Vậy hãy bắt đầu.

  1. Tải xuống và cài đặt phiên bản mới nhất của Anaconda Navigator cho hệ điều hành của bạn.

2. Tiếp tục với trình hướng dẫn cài đặt nhưng bỏ qua bước bạn cần tải xuống và cài đặt VS, chúng tôi sẽ thực hiện việc này sau. Ngoài ra, hãy đảm bảo cài đặt Anaconda Navigator cho một người dùng. Tại thời điểm tập hợp các hướng dẫn này được viết, việc cài đặt VS với trình hướng dẫn thiết lập đã khiến cài đặt Anaconda của tôi không thành công. Ngoài ra, cài đặt Anaconda cho tất cả người dùng có thể dẫn đến sự cố. Ví dụ: bạn đã thắng được có thể cài đặt bất kỳ mô-đun nào vì Anaconda giành được Google có các đặc quyền cần thiết.

Hãy chắc chắn rằng bạn cài đặt Anaconda cho người dùng hiện tại nếu không bạn có thể gặp sự cố.Bỏ qua bước này. Chúng tôi sẽ làm cho nó được thực hiện trong một chút.

3. Khởi chạy Anaconda Navigator và chọn Tab Home, nó sẽ được chọn theo mặc định. Tìm Bảng mã VS và nhấp vào nút Cài đặt. Điều này sẽ mất một hoặc hai phút.

Sau khi bạn cài đặt Mã VS, bạn sẽ có thể thấy nút Khởi chạy bên dưới bảng Mã VS.

Máy ảnh và dòng chảy liên tục

Bây giờ chúng tôi đã cài đặt Anaconda, hãy để máy lấy Keras và Tensorflow trong máy của chúng tôi.

4. Đóng Anaconda Navigator và khởi chạy Anaconda Prompt. Khởi chạy dấu nhắc Anaconda bằng cách tìm kiếm nó trong thanh tìm kiếm của windows. Thiết bị đầu cuối sau sẽ mở. Lưu ý rằng điều này sẽ mở trên môi trường Anaconda cơ sở.

5. Hạ cấp Python xuống phiên bản tương thích Keras & Tensorflow. Anaconda sẽ bắt đầu tìm kiếm tất cả các mô-đun tương thích cho Python 3.6. Điều này có lẽ tốn một vài phút. Để hạ cấp xuống Python 3.6, hãy sử dụng lệnh sau:

conda cài đặt python = 3.6

Sau khi môi trường được giải quyết, Anaconda sẽ hiển thị cho bạn tất cả các gói sẽ được tải xuống.

6. Tạo một môi trường conda mới, nơi chúng tôi sẽ cài đặt các mô-đun của chúng tôi để xây dựng các mô hình của chúng tôi bằng cách sử dụng GPU. Để làm như vậy, thực hiện lệnh sau:

tạo conda - tên PythonGPU

Lưu ý: Đảm bảo rằng bạn có card đồ họa NVIDIA. Nếu bạn không có thể cài đặt phiên bản CPU của Keras.

Nếu bạn muốn sử dụng CPU của mình thay vào đó, hãy thực hiện lệnh sau:

tạo conda - tên PythonCPU

Thực hiện theo các hướng dẫn hiển thị trên thiết bị đầu cuối. Môi trường Conda cung cấp cho người dùng sự tự do để cài đặt các mô-đun rất cụ thể là môi trường sống độc lập. Cá nhân, tôi đã tạo ra hai môi trường. Một nơi tôi có thể xây dựng các mô hình của mình bằng CPU và nơi khác tôi có thể xây dựng các mô hình của mình bằng GPU. Để biết thêm thông tin về môi trường conda, tôi khuyên bạn nên xem tài liệu chính thức.

7. Để kích hoạt môi trường conda vừa tạo, hãy sử dụng:

kích hoạt PythonGPU hoặc kích hoạt PythonCPU

Để hủy kích hoạt môi trường, sử dụng:

conda ngừng hoạt động

Chưa hủy kích hoạt môi trường, chúng tôi sắp cài đặt tất cả những thứ tốt.

8. Để cài đặt các phiên bản GPU Keras & Tensorflow, các mô-đun cần thiết để tạo các mô hình của chúng tôi với GPU của chúng tôi, hãy thực hiện lệnh sau:

cài đặt conda -c anaconda keras-gpu

Nếu bạn muốn sử dụng CPU của mình để xây dựng các mô hình, hãy thực hiện lệnh sau:

cài đặt conda -c anaconda

Rất nhiều thứ máy tính sẽ bắt đầu xảy ra. Một khi cơn điên dừng lại, chúng ta có thể đi tiếp. Don lồng đóng bất cứ điều gì chưa.

Nhận Spyder và các gói Python khác cho Machine Learning / Deep Learning

Bây giờ bạn có thể muốn một số phần mềm để viết và thực thi các đoạn mã Python của bạn. Bạn luôn có thể sử dụng Vim để viết và chỉnh sửa các đoạn mã Python của mình và mở một thiết bị đầu cuối khác để thực thi chúng. Tuy nhiên, bạn sẽ bỏ lỡ tất cả các tính năng thú vị mà Spyder cung cấp.

9. Cài đặt Spyder.

conda cài đặt gián điệp

10. Cài đặt gấu trúc. Pandas là một thư viện cực kỳ mạnh mẽ và cho phép bạn dễ dàng đọc, thao tác và trực quan hóa dữ liệu.

cài đặt conda -c gấu trúc Anaconda

Nếu bạn muốn đọc tệp Excel bằng Pandas, hãy thực hiện các lệnh sau:

cài đặt conda -c anaconda xlrd

cài đặt conda -c anaconda xlwt

11. Cài đặt thư viện Seaborn. Seaborn là một thư viện tuyệt vời cho phép bạn dễ dàng hình dung dữ liệu của mình.

cài đặt conda -c anaconda seaborn

12. Để cài đặt scikit-learn.

cài đặt conda -c anaconda scikit-learn

13. Cài đặt Gối để xử lý ảnh

conda cài đặt gối

Thêm các mô-đun thiếu

Bây giờ bạn sẽ cảm thấy thoải mái khi cài đặt các mô-đun bằng lệnh conda. Nếu bạn cần một mô-đun cụ thể, chỉ cần Google một cái gì đó dọc theo các dòng sau:

Anaconda LibraryNameYouWant Cài đặt

Nếu bạn gặp bất kỳ vấn đề tìm kiếm trên web. Rất có thể bạn là người không phải là người đầu tiên gặp phải một lỗi nhất định.

Khởi chạy Spyder và kiểm tra xem tất cả các mô-đun đã được cài đặt đúng chưa

Để khởi chạy Spyder, trước tiên hãy kích hoạt môi trường conda bạn muốn (PythonCPU hoặc PythonGPU) và thực hiện lệnh sau:

gián điệp

Để đảm bảo mọi thứ đã được cài đặt chính xác, hãy thực thi các dòng mã sau trên bảng điều khiển python:

nhập numpy dưới dạng np # Để tính toán số nhanh
nhập matplotlib.pyplot dưới dạng plt # Để tạo các ô
nhập gấu trúc dưới dạng pd # Thỏa thuận với dữ liệu
nhập khẩu seaborn như sns # Làm cho lô đẹp
từ sklearn.pre processing nhập StandardScaler # Kiểm tra sklearn
nhập tenorflow # Nhập khẩu tenorflow
máy ảnh nhập khẩu # máy ảnh nhập khẩu

Nếu bạn thấy không có lỗi ModuleImport, thì bây giờ bạn đã sẵn sàng bắt đầu xây dựng các mô hình dựa trên máy học bằng cách sử dụng Keras, Tensorflow và Scikit-Learn.

Bạn có thể tìm thấy tôi trong LinkedIn.