跳转至

Python 环境

对于深度学习工程师来说，Python 是必不可少的工具，因为大多数深度学习框架都支持 Python（比如 TensorFlow、PyTorch、MXNet 等）。在模型开发阶段，使用 Python 非常方便，如果配合 Jupyter Notebook 使用，还可以进一步提升开发效率。

Miniconda bash 安装

下载 最新的 miniconda 安装包。

20230424 下载的是 Miniconda3-latest-MacOSX-arm64.sh

命令行安装

# bash 安装包路径
bash /Users/lhy/Downloads/Miniconda3-latest-MacOSX-arm64.sh

安装 Miniconda 后，会自动将 Miniconda 的路径添加到环境变量中，但是需要关闭并重新打开 shell 才能生效。 如果需要在当前终端会话中立即生效，可以使用以下命令：

source ~/.zshrc

Miniconda brew 安装

命令行安装

brew install --cask miniconda

此时，conda 会安装在这个路径下 /opt/homebrew/bin/conda。

检查 miniconda 是否安装成功

conda --version

卸载 miniconda

rm -rf conda

Anaconda

Anaconda 是一个 Pyhton 的包管理器，它可以简化 Python 环境的安装。由于 Ubuntu 系统、macOS 系统的局限性，我们尽量不要在系统自带的环境里安装深度学习库，不然可能会出现一些不可预料的问题。

Anaconda 中的 numpy、scikit-learn 等库使用了 Intel MKL 进行加速，理论上会比 pip 直接安装的版本速度快。

Anaconda 不需要 root 权限，所以可以很方便地安装在用户目录下，只要配置好环境变量即可使用，当你不需要它的时候，只需要直接删除它的目录，然后将对应的环境变量一起删除即可。

你可以直接 rsync 整个 anaconda 文件夹到其他相同硬件和系统环境的机器上，它们的 Python 环境可以保持绝对的统一，在做分布式并行训练的时候非常有用。

安装 Anaconda

Anaconda 官方下载页面：https://www.anaconda.com/downloads

你只需要下载对应系统的安装包，然后直接运行安装包即可。

命令行安装

在 macOS 上安装 Anaconda 可以使用下面的命令：

wget https://repo.anaconda.com/archive/Anaconda3-2020.02-MacOSX-x86_64.sh
bash Anaconda3-2020.02-MacOSX-x86_64.sh

brew cask 安装

macOS 上还可以使用 brew cask 安装：

brew cask install Anaconda

配置环境变量

安装好以后，有可能需要手动配置环境变量，如果你使用的是 zsh，你需要为 zsh 初始化：

/usr/local/anaconda3/bin/conda init zsh

执行以后，在 ~/.zshrc 中可以看到下面的内容：

# >>> conda initialize >>>
# !! Contents within this block are managed by 'conda init' !!
__conda_setup="$('/home/ypw/anaconda3/bin/conda' 'shell.zsh' 'hook' 2> /dev/null)"
if [ $? -eq 0 ]; then
    eval "$__conda_setup"
else
    if [ -f "/home/ypw/anaconda3/etc/profile.d/conda.sh" ]; then
        . "/home/ypw/anaconda3/etc/profile.d/conda.sh"
    else
        export PATH="/home/ypw/anaconda3/bin:$PATH"
    fi
fi
unset __conda_setup
# <<< conda initialize <<<

使用 Anaconda 创建其他 Python 环境

如果我们需要其他 Python 环境，可以使用 conda 创建：

conda create -n python2 python=2.7
source activate python2

参考链接：https://conda.io/docs/user-guide/tasks/manage-environments.html

把 Conda 的 Python 环境添加到 jupyter 里

当你希望在 jupyter 里使用你的虚拟环境的时候，你需要执行下面的命令：

conda activate python2
conda install ipykernel
python -m ipykernel install --user --name python2 --display-name "Python 2"

其中的 python2 是你的虚拟环境的名字，display-name 可以取一个好听的名字，它会在 jupyter notebook 切换 kernel 的地方显示。

参考链接：https://ipython.readthedocs.io/en/stable/install/kernel_install.html

切换 anaconda 源

如果遇到网络问题，可以使用清华大学的镜像：

nano ~/.condarc

# 添加下面的内容
channels:
  - defaults
show_channel_urls: true
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

切换 pip 源

如果遇到网络问题，可以使用阿里云的镜像：

pip config set global.index-url https://mirrors.aliyun.com/pypi/simple/

常用 pypi 镜像：

  • https://mirrors.aliyun.com/pypi/simple/
  • https://pypi.tuna.tsinghua.edu.cn/simple/
  • https://mirrors.163.com/pypi/simple/
  • https://pypi.doubanio.com/simple/
  • https://mirrors.ustc.edu.cn/pypi/web/simple/

Python 库

下面是我认为比较重要的 Python 库：

  • jupyter
  • jupyter_contrib_nbextensions
  • numpy
  • pandas
  • scikit-learn
  • matplotlib
  • opencv-python
  • pillow
  • tqdm
  • torch
  • torchvision
  • tensorflow
  • keras
  • tensorboard
  • tensorboardx

安装大礼包：

pip install jupyter jupyter_contrib_nbextensions numpy pandas scikit-learn matplotlib opencv-python pillow tqdm torch torchvision tensorflow keras tensorboardx xlrd openpyxl

jupyter

在实验阶段，强烈建议你使用 jupyter notebook 编写实验代码，因为它与写 Python 脚本的逻辑完全不同。

官方介绍：

Jupyter Notebook是一个开源Web应用程序，允许您创建和共享包含实时代码，公式，可视化和叙述文本的文档。用途包括：数据清理和转换，数值模拟，统计建模，数据可视化，机器学习等。

特点：

  • web页面交互，在各个平台甚至是手机上都有同样的界面
  • 运行过的代码产生的变量、函数、类不会消失，除非你重启内核
  • 不仅支持写代码，显示函数输出的文字，还支持显示图片，甚至实现简单的交互功能
  • 支持 Markdown 编写注释，还支持 latex 公式

jupyter_contrib_nbextensions

Jupyter Notebook 插件。

该jupyter_contrib_nbextensions软件包包含一系列社区贡献的非官方扩展，可为Jupyter笔记本添加功能。这些扩展大多是用Javascript编写的，将在您的浏览器中本地加载。

我使用了代码执行时间插件和函数折叠插件。

numpy

科学计算必备库。

NumPy是Python语言的一个扩展程序库。支持高端大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。

pandas

操作 csv 非常方便，python 里的 excel。

_pandas_是一个开源的，BSD许可的库，为Python编程语言提供高性能，易于使用的数据结构和数据分析工具。

scikit-learn

机器学习模型大全。

Python中的机器学习

  • 简单有效的数据挖掘和数据分析工具
  • 可供所有人访问，并可在各种环境中重复使用
  • 基于NumPy，SciPy和matplotlib构建
  • 开源，商业上可用 - BSD许可证

注意安装的时候不是 sklearn，而是 scikit-learn：

pip install scikit-learn

matplotlib

画图工具。

Matplotlib是一个Python 2D绘图库，可以生成各种硬拷贝格式和跨平台的交互式环境的出版物质量数据。Matplotlib可用于Python脚本、IPython shell、Jupyter Notebook 和 Web应用程序服务器和四个图形用户界面工具包。

opencv-python

OpenCV 的 Python 库，图像处理必备。注意这不是官方的库，而是第三方编译的库。

OpenCV的全称是Open Source Computer Vision Library，是一个跨平台的计算机视觉库。

官方建议是从源码编译：https://docs.opencv.org/3.4.6/d2/de6/tutorial_py_setup_in_ubuntu.html

如果你使用的功能不是很复杂，那么你可以直接使用 pip 安装 opencv-python。如果你使用了 opencv-contrib 里的功能，可以安装 opencv-contrib-python。

pillow

PIL，另一个图像处理库，PyTorch 里的 torchvision 有很多写好的数据增强类，它们的输入类型是 PIL.Image。

该库提供广泛的文件格式支持，高效的内部表示和相当强大的图像处理功能。

核心图像库旨在快速访问以几种基本像素格式存储的数据。它应该为一般的图像处理工具提供坚实的基础。

tqdm

进度条库，耗时长的任务可以使用 tqdm 直观地展示任务的进度，避免焦虑。

tqdm在阿拉伯语中是“进步”（taqadum，تقدم）的意思，在西班牙语中是“我太爱你了”（te quiero demasiado）的缩写。

只需在任何迭代器外包一个 tqdm：tqdm(iterable)，就能立刻让你的循环显示一个聪明的进度条！

tqdm

torch

深度学习库，推荐使用。

一个开源深度学习平台，提供从研究原型到生产部署的无缝路径。

torchvision

和 PyTorch 配套使用。

torchvision包含了流行的数据集，预训练模型和计算机视觉的常见的图像变换。

tensorflow

深度学习库，大而全。配备显卡的机器请按照 Ubuntu 环境 进行配置。

TensorFlow是一个用于机器学习的端到端开源平台。 它拥有全面、灵活的工具、库和社区资源生态系统，可让研究人员推动ML的最新技术，开发人员可轻松构建和部署ML驱动的应用程序。

keras

更高级的 API，和 tensorflow 联合使用很方便。最新的 TensorFlow 2.0 非常推荐使用 Keras 作为模型搭建的高级 API，你不必直接安装 Keras，直接使用 tf.keras 即可。

Keras是一个高级神经网络API，用Python编写，能够在TensorFlow，CNTK或Theano之上运行。它的开发重点是实现快速实验。能够以最小的延迟从理念到结果是进行良好研究的关键。

绘制模型结构需要 graphviz 和 pydot。

tensorboard

TensorBoard 是一个可视化工具，你可以使用它可视化：

  • loss、acc 曲线
  • 模型结构
  • 权重分布
  • 生成的图像
  • 生成的文字

tensorboardX

tensorboardX 是一个框架无关的 tensorboard writer，支持 numpy 矩阵、pytorch 的 tensor 等格式。

目前 pytorch 1.1 也有官方支持，但是功能有限，所以目前我仍然在使用 tensorboardX。

Back to top