Ubuntu Python机器学习入门

Ubuntu 上使用 Python 开展机器学习的入门指南

一 环境准备与 Python 安装

• 更新系统并安装基础工具：
  • 命令：sudo apt update & & sudo apt upgrade -y
  • 安装常用工具：sudo apt install -y python3 python3-pip git build-essential htop
• 检查版本：python3 --version、pip3 --version
• 说明：Ubuntu 通常预装 Python 3，如未安装再用 apt 安装即可。

二 创建隔离环境

• 使用 venv（轻量、内置）：
  • 创建：python3 -m venv ~/ml_venv & & source ~/ml_venv/bin/activate
  • 退出：deactivate
• 使用 conda（适合数据科学，依赖管理更强）：
  • 安装 Miniconda/Anaconda（示例）：wget https://repo.anaconda.com/archive/Anaconda3-2024.05-Linux-x86_64.sh & & bash Anaconda3-2024.05-Linux-x86_64.sh
  • 创建环境：conda create -n ml_env python=3.10 -y & & conda activate ml_env
• 建议：为每个项目单独创建环境，避免依赖冲突。

三 安装常用机器学习库

• 经典 ML 与可视化：
  • pip install numpy pandas scikit-learn matplotlib seaborn
• 深度学习框架（二选一或并存）：
  • CPU 版 PyTorch：pip install torch torchvision torchaudio
  • GPU 版 PyTorch（示例，CUDA 11.8）：conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia
  • TensorFlow：pip install tensorflow
• 验证安装（任选其一）：
  • TensorFlow：python - < < 'PY' import tensorflow as tf print("TF:", tf.__version__, "GPU:", tf.config.list_physical_devices('GPU')) PY
  • PyTorch：python - < < 'PY' import torch print("PyTorch:", torch.__version__, "CUDA available:", torch.cuda.is_available()) PY
• 提示：GPU 版本需匹配 NVIDIA 驱动 与 CUDA/cuDNN；无 GPU 可先用 CPU 版。

四 第一个机器学习示例 线性回归

• 目标：用 scikit-learn 拟合一条 y = a + b·x 的直线，并评估误差。
• 代码（保存为 linear_demo.py）：

  • import numpy as np
    import pandas as pd
    from sklearn.model_selection import train_test_split
    from sklearn.linear_model import LinearRegression
    from sklearn.metrics import mean_squared_error, r2_score
    
    # 1) 构造数据
    np.random.seed(42)
    X = np.random.rand(100, 1) * 10          # 特征：面积等
    y = 2.5 + 3.7 * X.ravel() + np.random.randn(100) * 2  # 目标：带噪声的线性关系
    
    # 2) 训练/测试划分
    X_tr, X_te, y_tr, y_te = train_test_split(X, y, test_size=0.2, random_state=42)
    
    # 3) 训练
    model = LinearRegression()
    model.fit(X_tr, y_tr)
    
    # 4) 评估
    y_pred = model.predict(X_te)
    print(f"Coefficients: {
    model.coef_}
    , Intercept: {
    model.intercept_:.2f}
    ")
    print(f"MSE: {
    mean_squared_error(y_te, y_pred):.2f}
    , R2: {
    r2_score(y_te, y_pred):.2f}
        ")
    
    # 5) 可视化
    import matplotlib.pyplot as plt
    plt.scatter(X_te, y_te, color="blue", label="Actual")
    plt.plot(X_te, y_pred, color="red", linewidth=2, label="Predicted")
    plt.xlabel("X")
    plt.ylabel("y")
    plt.legend()
    plt.title("Linear Regression Fit")
    plt.show()
    

• 运行：python3 linear_demo.py
• 预期：控制台输出系数、截距、MSE 与 R2；弹出散点图与拟合直线。

五 进阶与部署建议

• 交互式开发：安装 Jupyter Notebook
  • pip install notebook 或 conda install jupyter
  • 启动：jupyter notebook（浏览器自动打开）
• 计算机视觉入门：安装 OpenCV
  • pip install opencv-python
  • 可结合 scikit-learn 做图像分类小实验（如灰度化后用随机森林）
• 部署为服务：用 Flask/FastAPI 封装模型推理接口
  • 示例：pip install flask fastapi uvicorn[standard]
  • 运行：uvicorn app:app --reload --host 0.0.0.0 --port 5000
  • 生产可加 Nginx 反向代理与进程管理（如 systemd）。

声明：本文内容由网友自发贡献，本站不承担相应法律责任。对本内容有异议或投诉，请联系2913721942#qq.com核实处理，我们将尽快回复您，谢谢合作！