Uz Python balstītas mašīnmācīšanās vides instalēšana operētājsistēmā Windows 10

Vienkāršs ceļvedis darba sākšanai ar mašīnām

Ahmada Dirini foto vietnē Unsplash

Mērķis: Instalēt uz Python balstītu vidi mašīnu apguvei.

Tālāk sniegtais instrukciju komplekts tika apkopots visā tīmeklī un izveidots operētājsistēmai Windows 10. Pēdējoreiz pārbaudīts 2019. gada 2. septembrī.

Pārskats

Kad es pirmo reizi iedziļinājos mašīnu apgūšanā, man vajadzēja dažas stundas, lai saprastu, kā pareizi iestatīt Python vidi. Vilšanās dēļ es nolēmu uzrakstīt šo ziņu, lai palīdzētu ikvienam, kas iziet procesu. Sākumā instalēsim Anaconda Navigator, kas ļaus mums izveidot neatkarīgu vidi, tas būs patiešām parocīgi. Turklāt ar Anaconda mēs varam viegli instalēt saderīgus Python moduļus ar ļoti vienkāršām komandām. Visbeidzot, mēs varam izmantot Anaconda, lai iegūtu Spyder - zinātnisku Python attīstības vidi. Ja jūs izpildīsit soli pa solim parādīto procedūru, kas parādīta zemāk, jūs īsā laikā būsit instalējis Tensorflow, Keras un Scikit-learning.

Nokļūšana Anaconda

Lai sāktu veidot jūsu mašīnmācīšanās (ML) modeļus, izmantojot Python, mēs vispirms sāksim instalēt Anaconda Navigator. Anaconda nodrošina efektīvu un vienkāršu veidu, kā instalēt Python moduļus savā mašīnā. Tāpēc sāksim!

  1. Lejupielādējiet un instalējiet operētājsistēmas jaunāko Anaconda Navigator versiju.

2. Turpiniet instalēšanas vedni, bet izlaidiet soli, kurā jums jālejupielādē un jāinstalē VS, mēs to darīsim vēlāk. Turklāt noteikti instalējiet Anaconda Navigator vienam lietotājam. Laikā, kad tika uzrakstīts šis instrukciju komplekts, instalējot VS ar iestatīšanas vedni, mana Anaconda instalēšana neizdevās. Turklāt Anaconda instalēšana visiem lietotājiem var radīt problēmas. Piemēram, jūs nevarēsit instalēt nevienu moduli, jo Anaconda nebūs nepieciešamo privilēģiju.

Pārliecinieties, ka esat instalējis Anaconda pašreizējam lietotājam, jo ​​jūs varētu saskarties ar problēmām.Izlaist šo soli. Mēs to panāksim mazliet.

3. Palaidiet programmu Anaconda Navigator un atlasiet cilni Sākums, tā būtu jāizvēlas pēc noklusējuma. Atrodiet VS koda paneli un noklikšķiniet uz pogas Instalēt. Tas prasīs minūti vai divas.

Pēc VS Code instalēšanas zem VS Code paneļa varēsit redzēt Launch pogu.

Intraling Keras un Tensorflow

Tagad, kad esam uzstādījuši Anaconda, pieņemsim Keras un Tensorflow mūsu mašīnā.

4. Aizveriet Anaconda Navigator un palaidiet Anaconda Prompt. Palaidiet uzvedni Anaconda, meklējot to Windows meklēšanas joslā. Jāatver šāds terminālis. Ievērojiet, ka tas tiks atvērts Anaconda bāzes vidē.

5. Samaziniet Python versiju ar Keras un Tensorflow saderīgu versiju. Anaconda sāks meklēt visus Python 3.6 saderīgos moduļus. Tas var aizņemt dažas minūtes. Lai pazeminātu uz Python 3.6, izmantojiet šo komandu:

conda instalēt python = 3.6

Pēc vides atrisināšanas Anaconda parādīs visas paketes, kuras tiks lejupielādētas.

6. Izveidojiet jaunu conda vidi, kurā mēs instalēsim moduļus, lai veidotu mūsu modeļus, izmantojot GPU. Lai to izdarītu, izpildiet šo komandu:

conda izveidot vārdu PythonGPU

Piezīme. Pārliecinieties, vai jums ir NVIDIA grafiskā karte. Ja jums tas nav, instalējiet Keras CPU versiju.

Ja vēlaties tā vietā izmantot CPU, izpildiet šo komandu:

conda izveidot vārdu PythonCPU

Izpildiet norādījumus, kas parādīti terminālī. Conda vide lietotājam dod iespēju instalēt ļoti specifiskus moduļus, kas ir neatkarīgi biotopi. Personīgi es izveidoju divas vides. Viens, kurā es varu izveidot savus modeļus, izmantojot centrālo procesoru, un otrs, kur es varu izveidot savus modeļus, izmantojot GPU. Lai iegūtu papildinformāciju par conda vidēm, iesaku ieskatīties oficiālajā dokumentācijā.

7. Lai aktivizētu tikko izveidoto conda vidi, izmantojiet:

aktivizēt PythonGPU vai aktivizēt PythonCPU

Lai deaktivizētu vides izmantošanu:

conda deaktivizēt

Pagaidām neaktivizējiet vidi, mēs gatavojamies instalēt visu labo.

8. Lai instalētu Keras & Tensorflow GPU versijas, moduļus, kas nepieciešami, lai izveidotu modeļus ar mūsu GPU, izpildiet šo komandu:

conda instalēt -c anaconda keras-gpu

Ja vēlaties izmantot CPU, lai izveidotu modeļus, tā vietā izpildiet šo komandu:

conda install -c anaconda keras

Sāksies daudz datoru lietu. Tiklīdz neprāts apstājas, mēs varam virzīties tālāk. Vēl neko neaizveriet.

Spyder un citu Python pakešu iegūšana mašīnmācībai / padziļinātai apmācībai

Tagad jūs varētu vēlēties, lai kāda programmatūra rakstītu un izpildītu jūsu Python skrūves. Jūs vienmēr varat izmantot Vim, lai rakstītu un rediģētu Python ierakstus, un, lai tos izpildītu, ir atvērts cits terminālis. Tomēr jūs izlaižat visas lieliskās iespējas, ko Spyder piedāvā.

9. Instalējiet Spyder.

instalēt spiegotāju

10. Instalējiet Pandas. Pandas ir ļoti jaudīga bibliotēka, kas ļauj viegli lasīt, manipulēt un vizualizēt datus.

conda install -c anaconda pandas

Ja vēlaties lasīt Excel failus ar Pandas, izpildiet šīs komandas:

conda install -c anaconda xlrd

conda instalēt -c anaconda xlwt

11. Instalējiet Seaborn bibliotēku. Seaborn ir pārsteidzoša bibliotēka, kas ļauj jums viegli vizualizēt savus datus.

conda install -c anaconda jūrmalā

12. Instalēt scikit-Learn.

conda install -c anaconda scikit-mācīties

13. Instalējiet spilvenu, lai apstrādātu attēlus

conda instalēt spilvenu

Trūkstošo moduļu pievienošana

Tagad jums vajadzētu justies ērti instalējot moduļus, izmantojot komandu conda. Ja jums ir nepieciešams noteikts modulis, vienkārši meklējiet kaut ko sekojošu:

Anaconda LibraryNameYouWant Install

Ja rodas kādas problēmas, meklējiet tīmeklī. Visticamāk, ka jūs neesat pirmais, kurš sastopas ar noteiktu kļūdu.

Spyder palaišana un pārbaude, vai visi moduļi ir pareizi uzstādīti

Lai palaistu Spyder, vispirms aktivizējiet vajadzīgo conda vidi (PythonCPU vai PythonGPU) un izpildiet šo komandu:

spiegotājs

Lai pārliecinātos, ka viss ir instalēts pareizi, python konsolē izpildiet šādas koda rindiņas:

import numpy as np # Skaitliskiem ātriem un skaitliskiem aprēķiniem
import matplotlib.pyplot as plt # Par zemes gabalu izgatavošanu
importēt pandas kā pd # Darījumi ar datiem
importēt jūraszvaigžņu kā sns # Padara skaistus zemes gabalus
no sklearn.preprocessing importa StandardScaler # sklearn pārbaude
import tensorflow # importē tensorflow
import keras # import keras

Ja neredzat ModuleImport kļūdas, tagad esat gatavs sākt veidot uz mašīnmācīšanos balstītus modeļus, izmantojot Keras, Tensorflow un Scikit-Learn.

Jūs varat mani atrast LinkedIn.