机器学习的相关软件框架下载安装-1

简介: 机器学习的相关软件框架下载安装-1

文章目录

一、Anaconda

1. Anaconda 的下载

2. Anaconda 的安装

3. Anaconda Navigator 打不开问题(不适用所有)

二、PyTorch-CPU

1. PyTorch 环境创建

2. PyTorch 下载

3. Jupyter 中使用 PyTorch

三、Python 版本升级与包的维护

1. 更新 Anaconda

2. 查看与更新 python 版本

3. Python 第三方库管理

3.1 pip工具的使用和升级

3.2 pip 安装和删除第三方库

3.3 pip 查看和升级第三方库版本

3.4 修改 pip 镜像源


一、Anaconda

  • 在数据科学领域,Anaconda则目前最通用的、可以一键安装各类数据科学类编程语言及开发环境的软件,也正因如此,我们也称 Anaconda 为数据科学计算平台。
  • 由于 Anaconda 中自带 Python,因此不需要再额外下载。


1. Anaconda 的下载

  • 访问 Anaconda 官网,点击页面中的 Download,这个直接是 Windows 版本


dbce8ca3bc4d4d9ca4568eb3183506a6.png


如果是其他版本的,点击 Download 下的三个按钮,分别对应 Windows,MacOS 和 Linux 三种。此时再下载对应的版本即可。


5dac5593c6bf44c584ba724cf079af79.png


e4c9ab4f09464c57818c44556385c0c9.png


  • 在其中选择适合我们的版本即可,镜像网站只有 5.3.1 之前的版本,建议下载 5.3.1 版本。

2. Anaconda 的安装

  • 下载完成后,即可开始安装。双击安装文件,进入欢迎界面,点击 Next。


aa4a1cac6c8f44c2a9a96aaa0bbd7cf5.png


  • 点击同意,进入到下一步。


1866b339ac7b472c825cf92d3aaac188.png

选择软件使用权限,是指针对当前登录用户还是所有用户,二者都行,无特殊要求。

93ac4e69a8e747da872c634814225543.png


选择安装位置,完成安装。


8f4f7b2ae1464e02a2c6d5dddc93b134.png


如果出现此页面,需要勾选配置环境变量选项。


9350c70bc9bb4f4ca80305baecc1cdbf.png


无需安装 VS Code,直接跳过即可。

bf27b1b99ec748f5bfec837b0ed5a31f.png


  • 之后便安装完成了。
  • 最后对是否安装成功进行验证,在 CMD 中输入
conda --version


若出现像这样的 conda 版本号即安装成功。

79b9b8af31054e9198bbf51f2299cf09.png


3. Anaconda Navigator 打不开问题(不适用所有)


当我们打开 Anaconda Navigator 先是出来几个命令框,然后就找不到 Anaconda Navigator 了,再点击 Anaconda Navigator 时,显示已经打开。

产生上述的问题主要是没更新客户端(-client),采取如下步骤解决问题。

(1) 使用管理员运行:conda prompt。

(2) 输入 conda update conda 更新 conda,再输入conda update anaconda-navigator 更新。

如果出错,则需要修改 .condarc 文件,该文件的目录为:c:\user\你的用户名.condarc,如果没有打开方式就使用文本方式打开。

以文本方式打开 .condarc 文件后:先删除 default 那一行,然后将所有 https 都改成 http 即可。

接下来执行conda update anaconda-navigator,一般可以执行更新了

(3) 重置 Navigator:anaconda-navigator --reset。

(4) 执行命令:conda update anaconda-client,更新 Anaconda 客户端。

(5) 执行命令:conda update -f anaconda-client。

(6) 能打开 Navigator 了。



二、PyTorch-CPU

  • PyTorch 是一个开源的 Python 机器学习库,基于 Torch,用于自然语言处理等应用程序。

1. PyTorch 环境创建



  • PyTorch 的环境创建分为如下几步。
  • (1) 以管理员方式运行 Anaconda Prompt,在命令行格式下,输入代码,完成调用清华镜像、建立 PyTorch 环境、安装 PyTorch 、测试 PyTorch 过程。
  • (2) 使用清华镜像源,分别输入以下四句代码。
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
  • 3) 创建 PyTorch 环境,这里我的 Python 版本是 3.7,输入如下代码。
conda create -n pytorch python=3.7
  • 之后,弹出提示,输入 y,即可安装。然后,查看环境是否安装成功。
conda info --envs


  • 这里我们可以看到 base 和 pytorch 两个环境,* 表示当前正处于的环境。


28b67134e80a44a3b5e6c5a39cd00bb7.png

  • 4) 输入如下代码,进入 pytorch 环境当中,我们在此环境下安装 PyTorch。
activate pytorch



  • 此时,如果我们每一行最初的(base)变为(pytorch )就说明上述步骤已完成。

2. PyTorch 下载


(1) 进入到 PyTorch 的官网:https://pytorch.org/,选择对应的安装版本。由于电脑配置的相关问题,这里选择安装 PyTorch-CPU 版本。

9fe5df0d9ac4460fb32afd97b6654b21.png


  • (2) 输入官网提供的运行代码,这里每个人的运行代码都不相同,大家输入自己的即可,弹出提示,输入 y,即可完成安装,显示 done。
pip3 install torch torchvision torchaudio


跟 Anaconda 的问题相同,在官网上下载速度实在是过于缓慢,因此大家可以使用清华镜像源进行安装,此处就不过多叙述,本人直接官网下载安装的。

(3) 在 PyTorch 下载完成后,对其是否安装完成进行测试。

激活 pytorch:activate pytorch

进入 python:python

测试 numpy:import numpy

测试 pytorch:import torch

如果以上步骤都没问题,那么安装成功。

cdedbbc34c6346deaf478c387c483ba1.png


3. Jupyter 中使用 PyTorch

  • (1) 打开 Anaconda Prompt。
  • (2) 进入安装好的 pytorch 环境。
conda activate pytorch #pytorch3.8 是之前建立的环境名称,可修改为自己建立名称

2adec276da364416b70f5aec898f9ee0.png


  • (3) 安装 package:nb_conda。
conda install nb_conda


(4) 安装完成后,输入 jupyter notbook 就可以打开 Jupyter 了。

30e379d7ef5e472a8b3e2f04aa574448.png


如果中间出现了解决 python.exe 无法找到程序输入点 … 于动态链接库 …pythoncom37.dll 的弹窗提示这类问题,只需要找到对应目录,将 pythoncom37.dll 删除即可。































相关文章
|
9月前
|
数据采集 自动驾驶 Java
PAI-TurboX:面向自动驾驶的训练推理加速框架
PAI-TurboX 为自动驾驶场景中的复杂数据预处理、离线大规模模型训练和实时智能驾驶推理,提供了全方位的加速解决方案。PAI-Notebook Gallery 提供PAI-TurboX 一键启动的 Notebook 最佳实践
|
机器学习/深度学习 人工智能 算法
Post-Training on PAI (3):PAI-ChatLearn,PAI 自研高性能强化学习框架
人工智能平台 PAI 推出了高性能一体化强化学习框架 PAI-Chatlearn,从框架层面解决强化学习在计算性能和易用性方面的挑战。
|
10月前
|
机器学习/深度学习 人工智能 算法
PaperCoder:一种利用大型语言模型自动生成机器学习论文代码的框架
PaperCoder是一种基于多智能体LLM框架的工具,可自动将机器学习研究论文转化为代码库。它通过规划、分析和生成三个阶段,系统性地实现从论文到代码的转化,解决当前研究中代码缺失导致的可复现性问题。实验表明,PaperCoder在自动生成高质量代码方面显著优于基线方法,并获得专家高度认可。这一工具降低了验证研究成果的门槛,推动科研透明与高效。
806 19
PaperCoder:一种利用大型语言模型自动生成机器学习论文代码的框架
|
9月前
|
机器学习/深度学习 人工智能 分布式计算
Post-Training on PAI (1):一文览尽开源强化学习框架在PAI平台的应用
Post-Training(即模型后训练)作为大模型落地的重要一环,能显著优化模型性能,适配特定领域需求。相比于 Pre-Training(即模型预训练),Post-Training 阶段对计算资源和数据资源需求更小,更易迭代,因此备受推崇。近期,我们将体系化地分享基于阿里云人工智能平台 PAI 在强化学习、模型蒸馏、数据预处理、SFT等方向的技术实践,旨在清晰地展现 PAI 在 Post-Training 各个环节的产品能力和使用方法,欢迎大家随时交流探讨。
|
11月前
|
机器学习/深度学习 算法 数据挖掘
PyTabKit:比sklearn更强大的表格数据机器学习框架
PyTabKit是一个专为表格数据设计的新兴机器学习框架,集成了RealMLP等先进深度学习技术与优化的GBDT超参数配置。相比传统Scikit-Learn,PyTabKit通过元级调优的默认参数设置,在无需复杂超参调整的情况下,显著提升中大型数据集的性能表现。其简化API设计、高效训练速度和多模型集成能力,使其成为企业决策与竞赛建模的理想工具。
415 12
PyTabKit:比sklearn更强大的表格数据机器学习框架
|
10月前
|
机器学习/深度学习 人工智能 自然语言处理
阿里云人工智能平台 PAI 开源 EasyDistill 框架助力大语言模型轻松瘦身
本文介绍了阿里云人工智能平台 PAI 推出的开源工具包 EasyDistill。随着大语言模型的复杂性和规模增长,它们面临计算需求和训练成本的障碍。知识蒸馏旨在不显著降低性能的前提下,将大模型转化为更小、更高效的版本以降低训练和推理成本。EasyDistill 框架简化了知识蒸馏过程,其具备多种功能模块,包括数据合成、基础和进阶蒸馏训练。通过数据合成,丰富训练集的多样性;基础和进阶蒸馏训练则涵盖黑盒和白盒知识转移策略、强化学习及偏好优化,从而提升小模型的性能。
|
机器学习/深度学习 数据采集 数据可视化
基于爬虫和机器学习的招聘数据分析与可视化系统,python django框架,前端bootstrap,机器学习有八种带有可视化大屏和后台
本文介绍了一个基于Python Django框架和Bootstrap前端技术,集成了机器学习算法和数据可视化的招聘数据分析与可视化系统,该系统通过爬虫技术获取职位信息,并使用多种机器学习模型进行薪资预测、职位匹配和趋势分析,提供了一个直观的可视化大屏和后台管理系统,以优化招聘策略并提升决策质量。
990 4
|
12月前
|
人工智能 自然语言处理 算法
MT-MegatronLM:国产训练框架逆袭!三合一并行+FP8黑科技,大模型训练效率暴涨200%
MT-MegatronLM 是摩尔线程推出的面向全功能 GPU 的开源混合并行训练框架,支持多种模型架构和高效混合并行训练,显著提升 GPU 集群的算力利用率。
889 18
|
12月前
|
机器学习/深度学习 人工智能 Java
Java机器学习实战:基于DJL框架的手写数字识别全解析
在人工智能蓬勃发展的今天,Python凭借丰富的生态库(如TensorFlow、PyTorch)成为AI开发的首选语言。但Java作为企业级应用的基石,其在生产环境部署、性能优化和工程化方面的优势不容忽视。DJL(Deep Java Library)的出现完美填补了Java在深度学习领域的空白,它提供了一套统一的API,允许开发者无缝对接主流深度学习框架,将AI模型高效部署到Java生态中。本文将通过手写数字识别的完整流程,深入解析DJL框架的核心机制与应用实践。
741 3
|
机器学习/深度学习 运维 监控
万亿参数模型训练神器:Kubeflow 2025量子加速版下载与TPU集群配置详解
Kubeflow 2025 是一个云原生机器学习操作系统,实现了四大突破性创新:量子混合训练(支持经典-量子混合神经网络协同计算)、神经符号系统集成(融合深度学习与逻辑推理引擎)、边缘智能联邦(5G MEC节点自动弹性扩缩容)和因果可解释性框架(集成Pearl、DoWhy等工具链)。该平台通过混合计算架构、先进的硬件配置矩阵和量子增强型安装流程,提供了从基础设施预配置到核心组件安装和安全加固的完整部署方案。此外,Kubeflow 2025 还涵盖全生命周期开发实战案例、智能运维监控体系、安全与合规框架以及高阶调试技巧,帮助用户高效构建和管理复杂的机器学习项目。

热门文章

最新文章