Niuery's blog
人工智能 --- 环境搭建
2024-12-30
人工智能
00
请注意，本文编写于 349 天前，最后修改于 308 天前，其中某些信息可能已经过时。

目录

Anaconda 介绍
一、主要特点
二、应用场景
Anaconda 安装
其他工具
Visual Studio Code
Jupyter

Anaconda 介绍

image-3.png

Anaconda[1] 是一个开源的 Python 和 R 语言的发行版本，主要用于数据科学、机器学习、深度学习等领域的开发和研究。

一、主要特点

1735521153135-image-2.png

  1. 包管理功能强大

    • Anaconda 自带了一个名为 conda 的包管理器。conda 可以方便地安装、更新和删除各种软件包。例如，如果你想安装数据分析库 pandas，只需要在命令行中输入 conda install pandas，conda 就会自动从 Anaconda 的软件仓库中下载并安装 pandas 及其相关的依赖项。
    • 它能够很好地管理不同版本的软件包，避免软件包之间的版本冲突。这在处理复杂的数据分析和机器学习项目时非常重要，因为不同的项目可能依赖于不同版本的库。

  2. 环境管理便捷

    • 可以创建多个独立的 Python 环境。比如，你可能有一个项目需要使用 Python 3.6 和特定版本的 TensorFlow，而另一个项目需要 Python 3.8 和不同版本的Scikit - learn。通过 Anaconda，你可以轻松地为每个项目创建独立的环境。
    • 命令 conda create -n myenv python=3.6 可以创建一个名为 myenv 的 Python 3.6 环境。在这个环境中，你可以安装特定于该项目的软件包，而不会影响其他环境中的软件包配置。

  3. 集成大量科学计算库

    • Anaconda 预先集成了许多常用的科学计算、数据分析和机器学习库。包括NumPy（用于数值计算）、Matplotlib（用于数据可视化）、Scikit - learn（用于机器学习）等。
    • 这些库的集成使得数据科学家和开发者可以迅速开始他们的项目，而不需要花费大量时间去安装和配置每个库。例如，在进行简单的数据可视化时，直接导入 Matplotlib 就可以开始绘制图表，大大提高了开发效率。

  4. 跨平台支持 Anaconda 支持多种操作系统，如 Windows、Mac OS 和 Linux。这意味着无论你使用哪种操作系统进行开发，都可以使用 Anaconda 来管理你的 Python 环境和软件包。 在不同操作系统上，Anaconda 的基本操作和功能是相似的。例如，在 Windows 和 Mac OS 上创建和管理环境的命令是相同的，只是在安装过程中可能会有一些细微的差异。

二、应用场景

  1. 数据科学与分析
    • 在数据清理、数据探索和数据分析阶段，Anaconda 提供的 pandas 和 NumPy等库可以帮助用户高效地处理和分析数据。例如，pandas 的 DataFrame 结构可以方便地存储和操作表格型数据，NumPy则提供了高效的数组操作功能。
    • 对于数据可视化，Matplotlib 和 Seaborn 等库可以创建各种类型的图表，如柱状图、折线图、散点图等，以直观地展示数据特征和分析结果。
  2. 机器学习与深度学习
    • 在机器学习领域，Anaconda 集成了 Scikit - learn 这样的流行库，它提供了丰富的机器学习算法，如分类算法（决策树、支持向量机等）、回归算法（线性回归、岭回归等）和聚类算法（K - Means 聚类等）。
    • 对于深度学习，虽然 Anaconda 本身没有包含深度学习框架如 TensorFlow和 PyTorch的核心部分，但它可以方便地用于安装和管理这些框架。用户可以在 Anaconda 环境中安装 TensorFlow，并利用其进行神经网络模型的训练和部署。
  3. 学术研究与教学
    • 在学术研究中，研究人员可以利用 Anaconda 快速搭建实验环境，安装所需的研究工具和库。在教学方面，教师可以通过 Anaconda 为学生创建统一的教学环境，让学生能够轻松地安装和使用课程相关的软件包，例如在教授数据结构和算法课程时，学生可以在 Anaconda 环境中使用 Python 来实现各种数据结构和算法。

Anaconda 安装

由于Anaconda3 官网是国外的，直接下载会很慢。

清华大学开源软件镜像站提供了 Anaconda 的下载镜像[2]，地址为: 。使用镜像站下载速度通常会比从官网下载快很多，推荐优先该镜像站.

我这里下载了目前镜像站中最新的版本 Anaconda3-2024.10-1-Windows-x86_64.exe

1735521153135-image.png

image-1.png 安装完之后的界面是这样的：可以看到分四个模块，

  1. Home Home 模块是主要界面，提供了一个便捷的入口来访问常用的工具和资源。它相当于一个控制台，用户可以在这里安装和快速启动应用程序

    在这里可以看到已安装的 Anaconda 应用，如 Jupyter Notebook、JupyterLab 等。Jupyter Notebook 是数据科学家和开发者经常使用的交互式计算环境，通过在 Home 模块中点击 Jupyter Notebook 的图标，就能快速启动它，然后开始编写和运行代码，进行数据分析、机器学习模型开发等工作。

image-4.png 2. Environments

`Environments` 主要用于管理 `Python` 和 `R` 等语言的环境。它允许用户创建、复制、删除和切换不同的环境，每个环境可以有独立的 `Python` 或 `R` 版本以及安装的软件包。

image-5.png

  1. Learning Learning 模块主要提供学习资源，帮助用户更好地掌握数据科学、机器学习等相关知识和技能。它是一个知识宝库，包含教程、文档和示例代码等多种学习材料。

image-6.png 4. Community Community 模块是 Anaconda 用户交流和共享的平台，促进用户之间的知识共享、问题解决和协作。在这里，用户可以与全球范围内的其他 Anaconda 使用者互动，论讨交流以及代码共享。

其他工具

除了上述的 Anaconda 以外，还需要一些其他的工具，辅助学习人工智能，比如 Visual Studio Code，Jupyter

Visual Studio Code

Visual Studio Code 是微软开发的一款免费、开源的跨平台代码编辑器 [3]。

这个是常用工具不多做介绍。

Jupyter

Jupyter [4] 是一款极具影响力且广受欢迎的开源交互式计算环境，它革新了数据科学家、程序员以及教育工作者的工作与学习方式。

最初源于 IPython 项目，Jupyter 支持多种编程语言，其中以 Python 最为常用。它允许用户在一个文档中混合编写代码、文本注释以及可视化图表，创建出所谓的 “Jupyter Notebook”。

这种 Notebook 呈现出一种独特的 “活” 文档形态，代码片段可以即时运行，运行结果随即展示在下方，让使用者能边写代码边验证，实时交互，极大地提升了探索性数据分析、机器学习模型开发以及教学演示等工作的效率。

而且，凭借其丰富的插件与扩展，Jupyter 能够轻松接入各类数据库、大数据处理框架，适配不同场景需求，无论是专业的科研团队在前沿领域攻坚，还是师生在课堂上进行知识传授与探索，Jupyter 都已成为不可或缺的得力工具。

下面是官网上的示例演示：

Jupyter演示.gif

此处因为我们主要还是要使用 Visual Studio Code ，所以我们安装 VS 中的 Jupyter 插件使用就好。 VS 左侧导航栏搜索 Jupyter ,直接下载就可以。

image-7.png

参考链接

[1] https://www.anaconda.com/

[2] https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

[3] https://code.visualstudio.com/

[4] https://jupyter.org/

本文作者:Peter.Pan

本文链接:

版权声明:本博客所有文章除特别声明外，均采用 BY-NC-SA 许可协议。转载请注明出处！