Python 项目虚拟环境搭建

📍 你在这里　AI 基础 · 第 6 篇 / 共 13 篇

← 上一篇 Python 数据分析：Numpy、Pandas、Matplotlib　·　下一篇 → 机器学习前篇：基础数学

一、选择虚拟环境工具

Python 中有多种创建虚拟环境的工具，这里以 venv 和 conda 为例进行介绍。

1. 使用 venv 创建虚拟环境

venv 是 Python 标准库的一部分，无需额外安装。

步骤如下：

1. 打开终端或命令提示符。
2. 创建虚拟环境，假设虚拟环境名为 ai_env：

python -m venv ai_env

3. 激活虚拟环境：
4. 在 Windows 上：ai_env\Scripts\activate
   + - 在 macOS 和 Linux 上：source ai_env/bin/activate

2. 使用 conda 创建虚拟环境

conda 是一个流行的包管理和环境管理系统，通常与 Anaconda 或 Miniconda 一起安装。

步骤如下：

1. 打开 Anaconda Prompt（Windows）或终端（macOS/Linux）。
2. 创建虚拟环境，假设虚拟环境名为 ai_env：

conda create -n ai_env python=3.9

这里指定 Python 版本为 3.9，你可以根据需求调整。
3. 激活虚拟环境：

conda activate ai_env

二、安装 AI 模型所需依赖

不同的 AI 模型可能需要不同的依赖库，以下是一些常见的依赖及其安装方法。

1. 深度学习框架

• TensorFlow：用于构建和训练深度学习模型。

pip install tensorflow

• PyTorch：另一个流行的深度学习框架。

pip install torch torchvision torchaudio

2. 数据处理和分析库

• NumPy：用于高效的数值计算。

pip install numpy

• Pandas：用于数据处理和分析。

pip install pandas

3. 机器学习库

• Scikit-learn：提供了各种机器学习算法和工具。

pip install scikit-learn

4. 可视化库

• Matplotlib：用于绘制图表和可视化数据。

pip install matplotlib

• Seaborn：基于 Matplotlib 的高级可视化库。

pip install seaborn

三、基本配置

1. GPU 支持（可选）

如果你有 NVIDIA GPU 并且想利用 GPU 加速训练，可以安装相应的 GPU 版本的深度学习框架。

• TensorFlow GPU：

pip install tensorflow-gpu

• PyTorch GPU：根据你的 CUDA 版本选择合适的安装命令，例如：

pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113

这里的 cu113 表示 CUDA 11.3 版本，你需要根据自己的 CUDA 版本进行调整。

2. 配置 Jupyter Notebook（可选）

Jupyter Notebook 是一个交互式的开发环境，方便你进行代码编写和实验。

• 安装 Jupyter Notebook：

pip install jupyter

• 启动 Jupyter Notebook：

jupyter notebook

四、退出虚拟环境

当你完成工作后，可以退出虚拟环境。

• 使用 venv 创建的虚拟环境：

deactivate

• 使用 conda 创建的虚拟环境：

conda deactivate

通过以上步骤，你可以创建一个虚拟环境，安装 AI 模型所需的依赖，并进行基本的配置。根据具体的 AI 模型和任务，你可能需要安装其他特定的依赖库。