Kako ustvariti virtualna okolja v Pythonu za strojno učenje

Če se podajate v svet programiranja ali ste se poglobili v umetno inteligenco, ste verjetno že slišali, da ne morete kar tako naključno namestiti vsega na svoj računalnik. Da preprečite, da bi vaš sistem postal kaotična zmešnjava nezdružljivih različic, obstajajo virtualna okolja , ki v bistvu delujejo kot samostojni predelki, kjer ima vsak projekt svoja pravila in orodja.

Predstavljajte si, da imate različne nahrbtnike za različne dejavnosti: enega za telovadnico, drugega za univerzo in kovček za potovanje. Kar daste v enega, ne moti drugih. Podobno ustvarjanje peskovnika v Pythonu omogoča Projektu A, da uporablja starejšo različico knjižnice, medtem ko Projekt B uporablja najnovejšo različico, ne da bi kateri koli od njiju prenehal delovati.

Povezani članek:

Kako namestiti Python v sisteme Windows, Linux in macOS korak za korakom

Zakaj je bistveno izolirati svoje projekte strojnega učenja?

Največja težava pri razvoju programske opreme so konflikti različic . Na področju strojnega učenja s Pythonom je zelo pogosto, da knjižnica, kot sta NumPy ali TensorFlow, zahteva zelo specifično različico, da se izogne ​​napakam. Če vse namestite globalno, lahko posodobitev paketa za en projekt popolnoma uniči drug projekt, ki ste ga že končali.

Poleg tega to zagotavlja, da so vaši poskusi ponovljivi . Če delate v skupini ali želite svoj model namestiti v produkcijo, potrebujete nekoga drugega, ki vam bo lahko nastavil popolnoma enako okolje. Ohranjanje čistoče sistema je ključnega pomena; ni dobra ideja mešati vseh komponent skupaj, temveč jih organizirati v ločene škatle, da se izognete kontaminaciji osnovne namestitve Pythona v vašem operacijskem sistemu.

Povezani članek:

Ranljivost knjižnice Python: tveganja, primeri iz resničnega sveta in kako zaščititi svoje projekte

Primerjava orodij: venv proti Conda

Glede na vaše potrebe imate na voljo več možnosti. Prvič, venv je vgrajeno orodje za Python. Je lahkotno, preprosto in odlično deluje za splošne projekte ali spletne aplikacije z Django ali Flask. Drugič, tu je Conda (na voljo v Anacondi ali Minicondi), ki je prednostna izbira za umetno inteligenco in globoko učenje. Glavna prednost Conde je, da ne upravlja le paketov Python, temveč tudi binarne odvisnosti C in podpira grafične procesorje, kar je ključnega pomena pri delu z grafičnimi karticami CUDA in NVIDIA.

Vodnik po korakih za uporabo venv

Če želite nekaj hitrega in enostavnega, sledite tem korakom v svoji napravi:

• Ustvarjanje: Teči python3 -m venv mi_entornoTo bo ustvarilo mapo s potrebnimi strukturami (bin, lib in include).
• Aktivacija: V sistemu Windows (PowerShell) uporabite mi_entorno\\Scripts\\activate, medtem ko morate v sistemu macOS ali Linux vnesti source mi_entorno/bin/activateVedeli boste, da je delovalo, ker boste v oklepaju ob pozivu videli ime okolja.
• Upravljanje paketov: Zdaj lahko uporabljate pip install numpy namestiti knjižnice samo v ta prostor.
• Odhod: Ko končaš, samo napiši deactivate.

Povezani članek:

Kako namestiti in uporabljati Python in pip v sistemu Windows korak za korakom

Obvladovanje Conde za projekte umetne inteligence

Za tiste, ki delajo s strojnim učenjem, Conda ponuja robustnejši nadzor. Če želite ustvariti okolje z določeno različico Pythona, uporabite conda create -n mi_ia python=3.11Za vnos je ukaz conda activate mi_iaPakete lahko namestite z uporabo conda install ali celo zmešajte s pipo Če paketa ni v repozitorijih Conda, uporabite: conda deactivate.

Integracija s kodo Visual Studio

Če uporabljate VS Code, se vam ni treba ves čas ukvarjati s terminalom. Okolje lahko upravljate iz paleta ukazov (Ctrl+Shift+P). Če iščete Python: Create EnvironmentUrejevalnik bo to naredil namesto vas. Če ga že imate ustvarjenega, uporabite Python: Select Interpreter izbrati pot do vašega virtualnega okolja. Na ta način bo urejevalnik natančno vedel, katere knjižnice uporabljate, in vam bo dal pravilno samodokončanje.

Povezani članek:

Popoln vodnik za ustvarjanje okolij z WSL2 + Docker + VS Code

Napredna konfiguracija za globoko učenje

Ko se lotimo globokega učenja, pride v poštev strojna oprema. Da bi izkoristili prednosti grafičnih procesorjev NVIDIA , je bistveno namestiti pravilne gonilnike, komplet orodij CUDA in knjižnico cuDNN. To omogoča ogrodjem, kot sta PyTorch ali TensorFlow, da izvajajo množično vzporedne izračune, kar drastično pospeši učenje modelov. Če želite preveriti, ali vse deluje pravilno, lahko zaženete majhen skript, ki uvozi knjižnico in preveri, ali zazna grafični procesor.

Izmenjava okolij in najboljših praks

Da bi lahko drugi preprosto podvojili vaše delo, je najbolje, da ustvarite datoteko z zahtevami. Z ukazom pip freeze > requirements.txtVodite seznam vseh knjižnic in njihovih različic. Kdor prejme vaš projekt, ga bo moral le zagnati. pip install -r requirements.txt za klonirajte svoje nastavitve točno.

Organizirana struktura, izbira med lahkotnostjo venv ali močjo Conda in integracija vsega v integrirano razvojno okolje (IDE), kot je VS Code, preoblikuje programersko izkušnjo. Z ločitvijo vsakega projekta v svoj peskovnik odpravite strah pred zlomom sistema in zagotovite, da so vaši modeli umetne inteligence stabilni in enostavni za uporabo na kateri koli platformi.

Isaac

Strasten pisec o svetu bajtov in tehnologije nasploh. Rad delim svoje znanje s pisanjem in to je tisto, kar bom počel v tem blogu, saj vam bom pokazal vse najbolj zanimive stvari o pripomočkih, programski opremi, strojni opremi, tehnoloških trendih in še več. Moj cilj je, da vam pomagam krmariti po digitalnem svetu na preprost in zabaven način.