Ubuntu Python机器学习应用

在 Ubuntu 上使用 Python 开展机器学习的高效实践

一 环境准备与基础安装

• 更新系统并安装基础工具：
  • 命令：sudo apt update & & sudo apt upgrade -y
  • 安装 Python 与 pip：sudo apt install python3 python3-pip
  • 可选：安装虚拟环境工具：sudo apt install python3-venv
• 建议的硬件与系统基线（以 Ubuntu 24.04 LTS 为例）：
  • 处理器：64 位 CPU，≥2 核（推荐 ≥4 核）
  • 内存：≥8 GB（深度学习推荐 ≥16 GB）
  • 存储：≥20 GB 可用空间（SSD 更佳）
  • 显卡：可选，NVIDIA GPU（≥4 GB VRAM） 用于加速训练
• 验证安装：
  • 查看版本：python3 --version、pip3 --version

二 创建隔离环境与依赖管理

• 使用 venv 创建项目环境（轻量、系统级 Python 推荐）：
  • 创建：python3 -m venv venv
  • 激活：source venv/bin/activate
  • 退出：deactivate
• 使用 conda 管理环境（数据科学常用，便于二进制包与 GPU 版本管理）：
  • 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
  • 激活环境：conda activate ml_env
• 常用依赖安装（在激活的环境中执行）：
  • 机器学习基础：pip install numpy pandas scikit-learn matplotlib seaborn jupyter
  • 图像处理：pip install opencv-python
  • 深度学习（按需二选一或并存）：
    • CPU 版 PyTorch：conda install pytorch torchvision torchaudio cpuonly -c pytorch
    • 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（GPU 支持取决于 CUDA/cuDNN 与驱动匹配）

三 快速上手示例

• 示例一 传统机器学习（scikit-learn 线性回归）
  • 代码示例：
    • from sklearn.model_selection import train_test_split
    • from sklearn.linear_model import LinearRegression
    • from sklearn.metrics import mean_squared_error
    • import numpy as np
    • X = np.random.rand(100, 1)
    • y = 2 + 3 * X + 0.1 * np.random.randn(100, 1)
    • X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
    • model = LinearRegression(); model.fit(X_train, y_train)
    • y_pred = model.predict(X_test)
    • print(“MSE:”, mean_squared_error(y_test, y_pred))
• 示例二 深度学习（TensorFlow/Keras 训练 MNIST）
  • 代码示例：
    • import tensorflow as tf
    • from tensorflow.keras import Sequential
    • from tensorflow.keras.layers import Dense, Flatten
    • (x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
    • x_train, x_test = x_train/255.0, x_test/255.0
    • model = Sequential([Flatten(input_shape=(28,28)), Dense(128, activation=‘relu’), Dense(10, activation=‘softmax’)])
    • model.compile(optimizer=‘adam’, loss=‘sparse_categorical_crossentropy’, metrics=[‘accuracy’])
    • model.fit(x_train, y_train, epochs=5, verbose=2)
    • test_loss, test_acc = model.evaluate(x_test, y_test, verbose=0)
    • print(f"Test accuracy: { test_acc:.4f} ")
• 运行方式：
  • 脚本：python3 ml_project.py
  • 交互式：jupyter notebook（浏览器中创建与运行 Notebook）

四 GPU 配置与常见问题

• GPU 前置检查与驱动建议：
  • 确认驱动与工具链：nvidia-smi（应显示 CUDA 版本 与 GPU 型号）
  • 深度学习环境优先使用 conda 安装对应 CUDA/cuDNN 的 PyTorch/TensorFlow 版本，减少兼容性问题
• 构建依赖缺失（编译类包如 NumPy/SciPy 等可能用到）：
  • 可安装：sudo apt install build-essential python3-dev gfortran libatlas-dev liblapack-dev
• 常见避坑：
  • 避免混用 pip 与 conda 的包缓存；优先在各自环境内使用对应包管理器
  • 桌面环境可选 Anaconda Navigator 管理环境与启动工具（如 Jupyter）
  • 运行示例前确认已激活对应虚拟环境（命令行提示符应显示 (venv) 或 (ml_env)）

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！