MAC系统机器学习环境配置常见问题

简介: MAC系统机器学习环境配置常见问题

自从换了Apple M1后,配置机器学习环境的过程中经常遇到各种问题,在此一并记录,会持续更新,希望大家收藏点赞。


系统环境: macOS BigSur v11.2.2


1. zsh: command not found: conda

问题


安装anaconda后,在终端输入conda后,显示


zsh: command not found: conda

原因


未配置环境路径


解决方法


  • 切换到超级用户


sudo su
  • 编辑.zprofile(在/Users/mac系统的用户名文件夹下,Mac OS Catalina版本需要编辑.zshrc)


vi .zprofile


  • 加入以下代码


export PATH=/opt/anaconda3/bin:$PATH


  • 保存后退出,执行
source .zprofile
  • 关闭Terminal,重新打开Terminal,输入
conda --version


确认配置成功。


2. conda安装软件包提示:EnvironmentNotWritableError


问题


使用conda 安装包时提示


EnvironmentNotWritableError


原因


用户权限不足


解决方法


  • Windows下Mac以管理员身份打开Anaconda Prompt (Anaconda3)
  • Mac下sudo su切换为超级管理员


3. 安装pip失败的解决办法


问题


在终端输入以下安装命令后


sudo easy_install pip


报错如下:8c54539f93c44ef8b3d33714ea6ef381.png


原因


Mac系统自带的为Python2,需手动安装Python3。


解决方法


brew install python3


  • 再次安装pip
sudo easy_install pip


  • 关闭Terminal,重新打开Terminal,输入
pip -V



确认配置成功。


4. cannot import name ‘imresize’ from ‘scipy.misc’


问题


执行


from scipy.misc import imread, imresize


报错如下:


cannot import name 'imresize' from 'scipy.misc'


原因


scipy版本问题:scipy是1.3.0以上不再支持函数imreadimresize


官网解释如下:


imresize is deprecated! imresize is deprecated in SciPy 1.0.0, and will be removed in 1.3.0. Use Pillow instead: numpy.array(Image.fromarray(arr).resize()).


解决方法


使用PIL、imageio库解决。


将原代码


from scipy.misc import imread, imresize
img1 = imread('test.png', mode='RGB')
img1 = imresize(img1, (224, 224))


替换如下

from PIL import Image
from imageio import imread
img1 = imread('test.jpg', pilmode='RGB')
img1 = np.array(Image.fromarray(img1).resize((224, 224)))

5. anaconda 中matplotlib中文字体问题


问题


matplotlib画图,中文字体乱码。


eb19d708cc5046debf3d1f8e09265a4f.png


原因


Mac系统下中文字体与Windows不同。


解决方法


使用Mac下的中文字体:


plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']


相关文章
|
6月前
|
Web App开发 安全 iOS开发
基于PyCharm与Mac系统的Chrome历史记录清理工具开发实战
《基于PyCharm与Mac系统的Chrome历史记录清理工具开发实战》详细解析了如何在macOS下通过Python脚本自动化清理Chrome浏览器的历史记录。文章以`clear_chrome_history.py`为例,结合PyCharm开发环境,深入讲解技术实现。内容涵盖进程检测、文件清理、虚拟环境配置及断点调试技巧,并提供安全增强与跨平台适配建议。该工具不仅保障个人隐私,还适用于自动化运维场景,具备较高实用价值。
128 0
|
4月前
|
机器学习/深度学习 存储 运维
机器学习异常检测实战:用Isolation Forest快速构建无标签异常检测系统
本研究通过实验演示了异常标记如何逐步完善异常检测方案和主要分类模型在欺诈检测中的应用。实验结果表明,Isolation Forest作为一个强大的异常检测模型,无需显式建模正常模式即可有效工作,在处理未见风险事件方面具有显著优势。
268 46
|
9月前
|
人工智能 自然语言处理 安全
通过阿里云Milvus与PAI搭建高效的检索增强对话系统
阿里云向量检索Milvus版是一款全托管的云服务,兼容开源Milvus并支持无缝迁移。它提供大规模AI向量数据的相似性检索服务,具备易用性、可用性、安全性和低成本等优势,适用于多模态搜索、检索增强生成(RAG)、搜索推荐、内容风险识别等场景。用户可通过PAI平台部署RAG系统,创建和配置Milvus实例,并利用Attu工具进行可视化操作,快速开发和部署应用。使用前需确保Milvus实例和PAI在相同地域,并完成相关配置与开通服务。
|
7月前
|
存储 人工智能 自然语言处理
基于QwQ-32B+Hologres+PAI搭建 RAG 检索增强对话系统
本文介绍如何使用PAI-EAS部署基于QwQ大模型的RAG服务,并关联Hologres引擎实例。Hologres与达摩院自研高性能向量计算软件库Proxima深度整合,支持高性能、低延时、简单易用的向量计算能力。通过PAI-EAS,用户可以一键部署集成大语言模型(LLM)和检索增强生成(RAG)技术的对话系统服务,显著缩短部署时间并提升问答质量。具体步骤包括准备Hologres向量检索库、部署RAG服务、通过WebUI页面进行模型推理验证及API调用验证。Hologres支持高性能向量计算,适用于复杂任务的动态决策,帮助克服大模型在领域知识局限、信息更新滞后和误导性输出等方面的挑战。
|
7月前
|
人工智能 自然语言处理 API
Hologres × PAI × DeepSeek 搭建 RAG 检索增强对话系统
本文介绍如何使用PAI-EAS部署基于DeepSeek大模型的RAG(检索增强生成)服务,并关联Hologres引擎实例。Hologres与阿里云自研高性能向量计算软件库Proxima深度整合,支持高性能、低延时的向量计算能力。通过PAI-EAS,用户可以一键部署集成了大语言模型和RAG技术的对话系统服务,显著缩短部署时间,并提高问答质量。部署步骤包括准备Hologres向量检索库、部署基于DeepSeek的RAG服务、通过WebUI进行模型推理验证,以及通过API调用进行模型推理验证。Hologres还提供了特色功能支持,如高性能向量计算等。
|
9月前
|
UED
「Mac畅玩鸿蒙与硬件52」UI互动应用篇29 - 模拟火车票查询系统
本篇教程将实现一个模拟火车票查询系统,通过输入条件筛选车次信息,并展示动态筛选结果,学习事件处理、状态管理和界面展示的综合开发技巧。
228 13
「Mac畅玩鸿蒙与硬件52」UI互动应用篇29 - 模拟火车票查询系统
|
8月前
|
人工智能 自然语言处理 安全
基于阿里云向量检索 Milvus 版与 PAI 搭建高效的检索增强生成(RAG)系统
基于阿里云向量检索 Milvus 版与 PAI 搭建高效的检索增强生成(RAG)系统
150 0
|
10月前
|
机器学习/深度学习 存储 运维
分布式机器学习系统:设计原理、优化策略与实践经验
本文详细探讨了分布式机器学习系统的发展现状与挑战,重点分析了数据并行、模型并行等核心训练范式,以及参数服务器、优化器等关键组件的设计与实现。文章还深入讨论了混合精度训练、梯度累积、ZeRO优化器等高级特性,旨在提供一套全面的技术解决方案,以应对超大规模模型训练中的计算、存储及通信挑战。
537 4
|
11月前
|
机器学习/深度学习 算法 数据挖掘
C语言在机器学习中的应用及其重要性。C语言以其高效性、灵活性和可移植性,适合开发高性能的机器学习算法,尤其在底层算法实现、嵌入式系统和高性能计算中表现突出
本文探讨了C语言在机器学习中的应用及其重要性。C语言以其高效性、灵活性和可移植性,适合开发高性能的机器学习算法,尤其在底层算法实现、嵌入式系统和高性能计算中表现突出。文章还介绍了C语言在知名机器学习库中的作用,以及与Python等语言结合使用的案例,展望了其未来发展的挑战与机遇。
235 1
|
9月前
|
人工智能 运维 API
PAI企业级能力升级:应用系统构建、高效资源管理、AI治理
PAI平台针对企业用户在AI应用中的复杂需求,提供了全面的企业级能力。涵盖权限管理、资源分配、任务调度与资产管理等模块,确保高效利用AI资源。通过API和SDK支持定制化开发,满足不同企业的特殊需求。典型案例中,某顶尖高校基于PAI构建了融合AI与HPC的科研计算平台,实现了作业、运营及运维三大中心的高效管理,成功服务于校内外多个场景。

热门文章

最新文章