机器学习 第0章 配置环境

进入项目目录

cd /home/yanziyu/Hands-on-ML

该命令用于切换到 Hands-on-ML 项目目录。

后续创建环境、启动 Jupyter、运行代码时，终端的当前工作目录就是该项目目录。

---

创建 Conda 环境

conda create -n machine_learning -c conda-forge python=3.11 pip \
  jupyterlab notebook ipykernel \
  numpy pandas matplotlib scipy scikit-learn scikit-image \
  tqdm xgboost pydotplus six graphviz -y

该命令用于创建一个名为 machine_learning 的 Conda 环境，并安装机器学习常用依赖。

其中：

conda create

表示创建新的 Conda 环境。

-n machine_learning

表示环境名称为 machine_learning。

-c conda-forge

表示从 conda-forge 频道安装软件包。

python=3.11

表示环境中使用 Python 3.11。

pip

表示安装 pip，方便后续安装 PyPI 上的软件包。

-y

表示自动确认安装过程，不再手动输入 y。

反斜杠 \ 表示命令换行，方便阅读。多行命令本质上仍然是一条完整命令。

---

激活 Conda 环境

conda activate machine_learning

激活后，终端前面一般会显示：

(machine_learning) yanziyu@Legion:~/Hands-on-ML$

这说明当前终端正在使用 machine_learning 环境。

此时执行：

python
pip
jupyter lab

都会优先使用该环境中的版本。

退出环境可以使用：

conda deactivate

---

已安装的主要软件包

Jupyter 相关

jupyterlab notebook ipykernel

作用分别是：

jupyterlab：现代版 Jupyter 网页开发环境
notebook：传统版 Jupyter Notebook
ipykernel：让当前 Python 环境可以作为 Jupyter 内核运行

---

数据分析与科学计算

numpy pandas matplotlib scipy

作用分别是：

numpy：数组、矩阵和数值计算
pandas：表格数据处理，例如 DataFrame、CSV 读取等
matplotlib：绘图和数据可视化
scipy：科学计算，例如优化、统计、信号处理等

---

机器学习相关

scikit-learn scikit-image xgboost

作用分别是：

scikit-learn：经典机器学习库，包括回归、分类、聚类、降维、模型评估等
scikit-image：图像处理库
xgboost：梯度提升树模型库，常用于分类和回归任务

---

辅助工具

tqdm pydotplus six graphviz

作用分别是：

tqdm：显示循环进度条
pydotplus：生成 Graphviz 图结构，常用于可视化决策树
six：兼容 Python 2 和 Python 3 的工具库
graphviz：图可视化工具，常用于决策树、流程图等可视化

---

检查 NVIDIA 显卡驱动

如果电脑有 NVIDIA 显卡，可以先检查驱动是否正常：

nvidia-smi

如果能正常显示显卡信息，说明 NVIDIA 驱动已经正常工作。

例如输出中出现：

Driver Version: 595.71.05
CUDA Version: 13.2
NVIDIA GeForce RTX 5080

说明：

系统已经识别到 NVIDIA 显卡
NVIDIA 驱动正在正常运行
当前驱动最高支持 CUDA 13.2

注意：

nvidia-smi 中显示的 CUDA Version 表示驱动最高支持的 CUDA 版本，
不代表系统中一定安装了完整的 CUDA Toolkit。

安装 PyTorch 时，通常不需要手动安装完整 CUDA Toolkit，只要驱动版本足够新即可。

---

安装 PyTorch GPU 版本

如果之前安装过 CPU 版 PyTorch，可以先卸载：

pip uninstall torch torchvision torchaudio -y

然后安装 CUDA 版本，例如 CUDA 12.8 版本：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu128

其中：

torch

是 PyTorch 核心库，用于张量计算、自动求导、神经网络搭建和模型训练。

torchvision

是 PyTorch 的计算机视觉扩展库，常用于图像数据集、图像预处理和视觉模型。

torchaudio

是 PyTorch 的音频处理扩展库，常用于音频读取、语音处理和声谱图生成。

--index-url https://download.pytorch.org/whl/cu128

表示从 PyTorch 官方 CUDA 12.8 版本软件源下载。

如果安装的是 CPU 版本，则命令通常是：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu

其中 cpu 表示只安装 CPU 版本，不使用 NVIDIA 显卡。

---

验证 PyTorch 是否可以调用显卡

安装完成后，可以运行：

python -c "import torch; print(torch.__version__); print(torch.cuda.is_available()); print(torch.cuda.get_device_name(0) if torch.cuda.is_available() else 'No CUDA')"

如果输出类似：

2.x.x+cu128
True
NVIDIA GeForce RTX 5080

说明 PyTorch 已经可以调用 NVIDIA 显卡。

如果输出中出现：

False

说明当前 PyTorch 没有成功使用 CUDA。

常见原因包括：

安装成了 CPU 版 PyTorch
NVIDIA 驱动没有正常安装
当前 Python 环境不是预期的 Conda 环境

可以进一步检查：

python -c "import torch; print(torch.__version__)"

如果版本号中含有：

+cpu

说明当前安装的是 CPU 版 PyTorch，需要卸载后重新安装 CUDA 版。

---

注册 Jupyter Kernel

在 Conda 环境中执行：

conda activate machine_learning

python -m ipykernel install --user --name machine_learning --display-name "Python (machine_learning)"

该命令用于把当前 Conda 环境注册到 Jupyter 中。

其中：

python -m ipykernel

表示使用当前环境的 Python 运行 ipykernel 模块。

install

表示安装或注册一个 Jupyter kernel 配置。

--user

表示只为当前用户注册该 kernel，不需要管理员权限。

--name machine_learning

表示 Jupyter 内部使用的 kernel 名称。

--display-name "Python (machine_learning)"

表示在 JupyterLab、Jupyter Notebook 或 VS Code Notebook 中显示的名称。

注册完成后，可以在 Jupyter 中选择：

Python (machine_learning)

作为 Notebook 的运行环境。

---

查看已经注册的 Jupyter Kernel

jupyter kernelspec list

如果看到类似：

machine_learning    /home/yanziyu/.local/share/jupyter/kernels/machine_learning

说明注册成功。

如果以后想删除这个 kernel，可以使用：

jupyter kernelspec uninstall machine_learning

注意：该命令只会删除 Jupyter 中的 kernel 入口，不会删除 Conda 环境本身。

如果要删除 Conda 环境，需要使用：

conda remove -n machine_learning --all

---

启动 JupyterLab

在项目目录下执行：

cd /home/yanziyu/Hands-on-ML
conda activate machine_learning
jupyter lab

然后浏览器会打开 JupyterLab 页面。

在新建 Notebook 或打开已有 .ipynb 文件时，选择：

Python (machine_learning)

作为运行内核。

---

在 VS Code 中配置 Conda 环境

首先打开项目目录：

cd /home/yanziyu/Hands-on-ML
code .

然后在 VS Code 中安装插件：

Python
Jupyter

插件发布者一般为 Microsoft。

---

选择 Python 解释器

在 VS Code 中按：

Ctrl + Shift + P

输入并选择：

Python: Select Interpreter

然后选择类似：

Python 3.11.x ('machine_learning': conda)

或者选择路径类似：

/home/yanziyu/anaconda3/envs/machine_learning/bin/python

如果列表中找不到 machine_learning，可以先在终端中查看 Python 路径：

conda activate machine_learning
which python

然后将输出路径手动填入 VS Code 的解释器选择中。

---

在 VS Code 中选择 Notebook Kernel

打开 .ipynb 文件后，点击右上角的 Kernel 选择器。

选择：

Python (machine_learning)

或者类似：

machine_learning

这样 VS Code 中的 Notebook 就会使用 machine_learning 环境运行代码。

---

验证 VS Code 是否使用正确环境

在 VS Code 中新建 Python 文件或 Notebook，运行：

import sys
print(sys.executable)

如果输出类似：

/home/yanziyu/anaconda3/envs/machine_learning/bin/python

说明 VS Code 当前使用的是 machine_learning 环境。

如果安装了 CUDA 版 PyTorch，可以进一步验证：

import torch

print(torch.__version__)
print(torch.cuda.is_available())
print(torch.cuda.get_device_name(0))

如果输出中包含：

True
NVIDIA GeForce RTX 5080

说明 VS Code 中的 Python 环境也可以正常调用显卡。

---

推荐完整配置流程

cd /home/yanziyu/Hands-on-ML

conda create -n machine_learning -c conda-forge python=3.11 pip \
  jupyterlab notebook ipykernel \
  numpy pandas matplotlib scipy scikit-learn scikit-image \
  tqdm xgboost pydotplus six graphviz -y

conda activate machine_learning

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu128

python -m ipykernel install --user --name machine_learning --display-name "Python (machine_learning)"

jupyter lab

VS Code 中需要额外完成：

安装 Python 和 Jupyter 插件
通过 Python: Select Interpreter 选择 machine_learning 环境
打开 .ipynb 文件后选择 Python (machine_learning) Kernel

---

常用检查命令

查看当前 Python 路径

which python

或在 Python 中：

import sys
print(sys.executable)

---

查看当前 Conda 环境

conda info --envs

当前激活的环境前面会有 * 标记。

---

查看 PyTorch 是否支持 CUDA

python -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"

---

查看显卡状态

nvidia-smi

---

查看 Jupyter Kernel

jupyter kernelspec list

---

总结

整个环境配置流程可以概括为：

进入 Hands-on-ML 项目目录
创建 machine_learning Conda 环境
安装机器学习、数据分析、Jupyter 等常用库
根据 NVIDIA 显卡情况安装 CUDA 版 PyTorch
将 Conda 环境注册为 Jupyter Kernel
在 JupyterLab 或 VS Code 中选择该环境运行 Notebook

核心命令是：

conda activate machine_learning
python -m ipykernel install --user --name machine_learning --display-name "Python (machine_learning)"

核心检查方式是：

import sys
print(sys.executable)

只要输出路径位于：

/home/yanziyu/anaconda3/envs/machine_learning/

就说明当前 Python、Jupyter 或 VS Code 使用的是正确的 Conda 环境。