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:

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PILimageio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。

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']

6. 启动Anaconda卡在loading applications

问题

系统环境:macOS BigSur v11.2.2

启动anaconda后,卡在 loading applications界面。

解决方法

在anaconda安装目录下找到conda_api.py文件,将

data = yaml.load(f)

修改为:

data = yaml.safeload(f)

再重新启动anaconda。

备注:如果未解决,在命令行下执行:

conda update anaconda-navigator

再重新启动anaconda。

相关文章
|
23天前
|
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。
|
25天前
|
机器学习/深度学习 数据采集 数据可视化
基于python 机器学习算法的二手房房价可视化和预测系统
文章介绍了一个基于Python机器学习算法的二手房房价可视化和预测系统,涵盖了爬虫数据采集、数据处理分析、机器学习预测以及Flask Web部署等模块。
基于python 机器学习算法的二手房房价可视化和预测系统
|
26天前
|
机器学习/深度学习 数据可视化 数据处理
Python vs R:机器学习项目中的实用性与生态系统比较
【8月更文第6天】Python 和 R 是数据科学和机器学习领域中最受欢迎的两种编程语言。两者都有各自的优点和适用场景,选择哪种语言取决于项目的具体需求、团队的技能水平以及个人偏好。本文将从实用性和生态系统两个方面进行比较,并提供代码示例来展示这两种语言在典型机器学习任务中的应用。
42 1
|
29天前
|
机器学习/深度学习 算法
【Deepin 20系统】机器学习分类算法模型xgboost、lightgbm、catboost安装及使用
介绍了在Deepin 20系统上使用pip命令通过清华大学镜像源安装xgboost、lightgbm和catboost三个机器学习分类算法库的过程。
22 4
|
2月前
|
机器学习/深度学习 数据采集 运维
智能化运维:利用机器学习优化系统性能
在当今快速发展的信息技术时代,传统的运维方式已难以满足日益增长的业务需求和复杂性。本文将探讨如何通过机器学习技术来提升运维效率,确保系统的高可用性和性能优化。我们将深入分析机器学习模型在预测系统负载、自动故障检测与响应以及资源分配中的应用,并讨论实施这些策略时可能遇到的挑战和解决思路。
|
2月前
|
机器学习/深度学习 数据采集 人工智能
智能运维:机器学习在系统维护中的应用与挑战
本文深入探讨了机器学习技术在IT运维领域的应用,并分析了其带来的优势及面临的主要挑战。文章首先概述了智能运维的发展历程和当前趋势,随后详细讨论了机器学习技术如何优化故障预测、自动化处理流程以及增强安全监控。最后,文中指出了实施过程中可能遇到的技术和管理难题,为读者提供了对智能运维未来发展方向的深刻见解。
|
2月前
|
机器学习/深度学习 数据采集 运维
智能化运维:机器学习在系统维护中的角色与影响
随着技术的不断进步,机器学习已成为推动智能运维发展的关键力量。通过分析历史数据、模式识别和预测性维护,机器学习不仅优化了传统运维流程,还极大地提高了效率和准确性。本文将探讨机器学习在智能运维中的应用,包括故障预测、自动化响应和资源优化等方面,旨在为读者提供深入的理解和可行的应用建议。
|
2月前
|
机器学习/深度学习 数据采集 人工智能
ERP系统中的人工智能与机器学习应用:提升企业智能化管理
【7月更文挑战第29天】 ERP系统中的人工智能与机器学习应用:提升企业智能化管理
148 0
|
3月前
|
机器学习/深度学习 人工智能 自然语言处理
人工智能平台PAI产品使用合集之如何配置cluster系统自动生成分布式参数
阿里云人工智能平台PAI是一个功能强大、易于使用的AI开发平台,旨在降低AI开发门槛,加速创新,助力企业和开发者高效构建、部署和管理人工智能应用。其中包含了一系列相互协同的产品与服务,共同构成一个完整的人工智能开发与应用生态系统。以下是对PAI产品使用合集的概述,涵盖数据处理、模型开发、训练加速、模型部署及管理等多个环节。
|
3月前
|
机器学习/深度学习 搜索推荐 算法
运用机器学习提升返利App的个性化推荐系统
运用机器学习提升返利App的个性化推荐系统
下一篇
云函数