搭建python機器學習環境的簡單介紹

本文目錄一覽：

• 1、python虛擬環境—virtual environment
• 2、如何利用python語言實現機器學習演算法
• 3、anaconda怎麼安裝python環境？

python虛擬環境—virtual environment

操作系統：ubuntu16.04

舉個例子，tensorflow(tf)是一個十分流行的python機器學習庫，你現在手裡有兩個tf項目，其中項目A需要使用 python2.7 + f1.2 ，項目B需要使用 python2.7 + tf1.6 ．這兩個項目你得同時進行，怎麼辦？

愚蠢的辦法是需要運行項目A時，將python2.7中的tf1.6卸載掉，安裝tf1.2；需要運行項目B時，將python2.7中的tf1.2卸載掉，安裝tf1.6。如果是單個模塊還好，但是tf的不同版本又依賴於python中的其他已安裝模塊，而且tf1.2和tf1.6對依賴模塊有不同的版本要求，那麼轉換一次得卸載安裝好幾個模塊，是不是很爆炸？

課題組裡幾個同門共用一台伺服器，每個人擁有一個系統賬戶，其中只有一個人擁有root許可權，裡面每個人都需要使用python跑程序，而且每個人對python版本以及python模塊的版本都有不同需求，很多人又沒有root許可權，如何解決？

使用python的虛擬環境可以輕鬆解決上面的問題！

python虛擬環境是一個隔離/獨立的python開發環境，和系統python環境可以完全隔離，互不相關，相當於多了一個python開發環境。而且你在python虛擬環境中的開發過程和使用系統python一模一樣，你可以在你創建的python虛擬環境中使用pip工具安裝任何你需要的模塊，該模塊和系統python環境完全不相關。虛擬環境的這個特點就能解決上面的問題了。

python有兩個模塊可以用於創建和管理python虛擬環境：

其中，venv模塊在python3.3以上的版本可以使用，而virtualenv在python2.7+和python3.3+都可以使用。

默認的系統python中是沒有安裝以上兩個工具的，需要使用以下命令安裝：

安裝好之後，就可以使用這兩個工具安裝python虛擬環境了。

我的系統python版本有python2.7和python3.5，虛擬環境的版本只能是系統中已有的python版本。使用virtualenv安裝虛擬環境的命令如下：

什麼參數都不指定的話，它會使用 /usr/bin/python 路徑下的python解釋器版本，即python2.7。因此會默認安裝python2.7虛擬環境， /home/yan/env 表示虛擬環境的安裝路徑。

如果你要安裝的是python3.5的虛擬環境，可以這樣：

一般情況下，上面兩條命令就夠了，這樣安裝得到的python虛擬環境和系統python環境是完全隔離的。

更多的命令選項可以在命令行中直接輸入 virtualenv 命令獲取。

venv只有python3可以使用，因此只能創建python3的虛擬環境，創建命令如下：

其中， python3 -m venv 是死命令，最後的安裝路徑自己指定。

注意： 以上兩種安裝方式在安裝虛擬環境的同時也自動安裝了pip工具。

安裝好虛擬環境之後，每次使用該虛擬環境前需要使用 source 命令 激活 它。假設前面我在 /home/yan/env3/ 目錄下安裝了python3.5的虛擬環境，現在我使用以下命令激活它：

激活之後，在命令行提示符前面會有 (env3) 的提示，表示當前你處的python虛擬環境，比如我電腦的情況：

現在你可以在激活環境中干任何事情，比如使用pip命令在你新的python虛擬環境中安裝模塊:

或者執行python腳本。

使用完該虛擬環境之後，你需要在命令行輸入 deactivate 命令來 退出 該虛擬環境：

之後就回到了正常的系統python環境中。

由於你創建該虛擬環境的目的是為了跑某個項目的程序，現在該項目做完了，不需要該虛擬環境了，你可以把該虛擬環境直接刪除，如何刪？

直接將創建虛擬環境時生成的文件夾刪掉，就這麼簡單。比如我要把我剛才創建的env3虛擬環境刪除：

在刪除虛擬環境前記得一定得先退出該虛擬環境。

python虛擬環境的好處是：每個虛擬環境之間，以及虛擬環境和系統環境之間是完全隔離的，不同虛擬環境中，你可以安裝不同版本的模塊，就彷彿你可以同時擁有N多個不同的python開發環境。

唯一麻煩的一點是：每次進入某個虛擬環境之前，都要使用 source 命令激活。每次使用完，都要使用 deactivate 命令退出。

如何利用python語言實現機器學習演算法

基於以下三個原因，我們選擇Python作為實現機器學習演算法的編程語言：(一) Python的語法清晰；(二) 易於操作純文本文件；(三) 使用廣泛，存在大量的開發文檔。 可執行偽代碼 Python具有清晰的語法結構，大家也把它稱作可執行偽代碼（executable pseudo-code）。默認安裝的Python開發環境已經附帶了很多高級數據類型，如列表、元組、字典、集合、隊列等，無需進一步編程就可以使用這些數據類型的操作。使用這些數據類型使得實現抽象的數學概念非常簡單。此外，讀者還可以使用自己熟悉的編程風格，如面向對象編程、面向過程編程、或者函數式編程。不熟悉Python的讀者可以參閱附錄A，該附錄詳細介紹了Python語言、Python使用的數據類型以及安裝指南。 Python語言處理和操作文本文件非常簡單，非常易於處理非數值型數據。Python語言提供了豐富的正則表達式函數以及很多訪問Web頁面的函數庫，使得從HTML中提取數據變得非常簡單直觀。 Python比較流行 Python語言使用廣泛，代碼範例也很多，便於讀者快速學習和掌握。此外，在開發實際應用程序時，也可以利用豐富的模塊庫縮短開發周期。 在科學和金融領域，Python語言得到了廣泛應用。SciPy和NumPy等許多科學函數庫都實現了向量和矩陣操作，這些函數庫增加了代碼的可讀性，學過線性代數的人都可以看懂代碼的實際功能。另外，科學函數庫SciPy和NumPy使用底層語言（C和Fortran）編寫，提高了相關應用程序的計算性能。本書將大量使用Python的NumPy。 Python的科學工具可以與繪圖工具Matplotlib協同工作。Matplotlib可以繪製二D、三D圖形，也可以處理科學研究中經常使用到的圖形，所以本書也將大量使用Matplotlib。 Python開發環境還提供了互動式shell環境，允許用戶開發程序時查看和檢測程序內容。 Python開發環境將來還會集成Pylab模塊，它將NumPy、SciPy和Matplotlib合併為一個開發環境。在本書寫作時，Pylab還沒有併入Python環境，但是不遠的將來我們肯定可以在Python開發環境找到它。 Python語言的特色 諸如MATLAB和Mathematica等高級程序語言也允許用戶執行矩陣操作，MATLAB甚至還有許多內嵌的特徵可以輕鬆地構造機器學習應用，而且MATLAB的運算速度也很快。然而MATLAB的不足之處是軟體費用太高，單個軟體授權就要花費數千美元。雖然也有適合MATLAB的第三方插件，但是沒有一個有影響力的大型開源項目。 Java和C等強類型程序設計語言也有矩陣數學庫，然而對於這些程序設計語言來說，最大的問題是即使完成簡單的操作也要編寫大量的代碼。程序員首先需要定義變數的類型，對於Java來說，每次封裝屬性時還需要實現getter和setter方法。另外還要記著實現子類，即使並不想使用子類，也必須實現子類方法。為了完成一個簡單的工作，我們必須花費大量時間編寫了很多無用冗長的代碼。Python語言則與Java和C完全不同，它清晰簡練，而且易於理解，即使不是編程人員也能夠理解程序的含義，而Java和C對於非編程人員則像天書一樣難於理解。 所有人在小學二年級已經學會了寫作，然而大多數人必須從事其他更重要的工作。 ——鮑比·奈特 也許某一天，我們可以在這句話中將「寫作」替代為「編寫代碼」，雖然有些人對於編寫代碼很感興趣，但是對於大多數人來說，編程僅是完成其他任務的工具而已。Python語言是高級編程語言，我們可以花費更多的時間處理數據的內在含義，而無須花費太多精力解決計算機如何得到數據結果。Python語言使得我們很容易表達自己的目的。 Python語言的缺點 Python語言唯一的不足是性能問題。Python程序運行的效率不如Java或者C代碼高，但是我們可以使用Python調用C編譯的代碼。這樣，我們就可以同時利用C和Python的優點，逐步地開發機器學習應用程序。我們可以首先使用Python編寫實驗程序，如果進一步想要在產品中實現機器學習，轉換成C代碼也不困難。如果程序是按照模塊化原則組織的，我們可以先構造可運行的Python程序，然後再逐步使用C代碼替換核心代碼以改進程序的性能。C++ Boost庫就適合完成這個任務，其他類似於Cython和PyPy的工具也可以編寫強類型的Python代碼，改進一般Python程序的性能。 如果程序的演算法或者思想有缺陷，則無論程序的性能如何，都無法得到正確的結果。如果解決問題的思想存在問題，那麼單純通過提高程序的運行效率，擴展用戶規模都無法解決這個核心問題。從這個角度來看，Python快速實現系統的優勢就更加明顯了，我們可以快速地檢驗演算法或者思想是否正確，如果需要，再進一步優化代碼

anaconda怎麼安裝python環境？

可以使用conda來安裝和管理python環境。conda可以理解為一個工具，也是一個可執行命令，其核心功能是包管理和環境管理。包管理與pip的使用方法類似，環境管理則是允許用戶方便滴安裝不同版本的python環境並在不同環境之間快速地切換。

conda將幾乎所有的工具、第三方包都當作package進行管理，甚至包括python 和conda自身。Anaconda是一個打包的集合，裡面預裝好了conda、某個版本的python、各種packages等。

創建環境舉例：

conda create -n your_env_name python=x.x

其中your_env_name是你要創建的環境名稱，python=x.x中的x.x是你需要安裝的pytthon版本。安裝成功之後可以用以下兩個命令來查看是否安裝成功。

conda env list

conda info -e