python环境搭建与开发工具的使用（python开发环境的搭建过程）

机器学习硬件设备无论是学习机器学习还是开发大型操作模型，其实工作站硬件并不是重要。

python开发环境的搭建过程

机器学习硬件设备

原因是不建议在工作站上安装大型模型。

机器学习开发涉及许多小的测试，以便找出问题的初始答案，例如：

最终在工作站上的目标是找出要运行的实验。我称之为初步实验，对于初步实验使用较少的数据即适合硬件能力的小样本数据，确保能输出你要的结果就可以了。

如果使用的是深度学习方法，则需要 GPU 或者 TPU 硬件。一般企业会提供或者可以在云中以低廉的价格租用它，例如 AWS、阿里云、腾讯云、华为云等等。

从性能角度比工作站 (CPU) 更快，容量 (RAM) 更多，可以运行的初步小实验的数据就越多或越大，并且从大型实验中获得的收益就越多。

我自己喜欢带有大量 RAM 和大量内核的 PC 机器。例如这个是我机器的配置

总之：

安装机器学习依赖项

您必须安装用于机器学习开发的库依赖项。

在 Python 中，这可能是 Pandas、scikit-learn、Keras 等。不仅仅是安装依赖项，您还应该有一个可重复的过程，以便您可以在几秒钟内再次设置开发环境，例如在新工作站和新服务器上。

我建议使用包管理器和脚本（例如 shell 脚本）来安装所有内容。库总是通过错误修复进行更新，因此更新专门安装的库（及其依赖项）。

机器学习编辑器

机器学习开发的艰苦工作不是编写代码，而是正在处理未知数。例如：

编写代码是容易的部分，因为很多人已经把基础的算法整合成各种第三发放依赖包。因此不需要花哨的 IDE，用一个就可以了。就个人而言，我使用并推荐 Sublime Text 和 Pycharm，其实其他任何类似的文本编辑器也能正常工作。

一些开发人员喜欢使用笔记本，例如 Jupyter Notebook。如果你是非特别专业的开发人员的话我推荐你使用，除此之外我不推荐它们。

为了学习机器学习和机器学习开发，我建议编写可以直接从命令行或 shell 脚本运行的脚本或代码。

例如 Python 脚本可以使用各自的解释器直接运行。

在 Linux 服务器上运行深度学习实验也类似，直接使用命令行的模式执行即可，例如：

# run experimentspython -u myscript1.py >myscript1.py.log 2>&1python -u myscript2.py >myscript2.py.log 2>&1python -u myscript3.py >myscript3.py.log 2>&1python -u myscript4.py >myscript4.py.log 2>&1python -u myscript5.py >myscript5.py.log 2>&1

一旦您有了最终的模型（或一组预测），您就可以使用项目的标准开发工具将其集成到您的应用程序中。

也就是我们俗称的做好的包嵌入到应用程序中。

#机器学习###数据分析##python#

上面就是小居数码小编今天给大家介绍的关于（python开发环境的搭建过程）的全部内容，希望可以帮助到你，想了解更多关于数码知识的问题，欢迎关注我们，并收藏，转发，分享。

94%的朋友还想知道的：

• java程序员必备软件和工具（最常用的java开发工具）
• java用什么开发工具比较好（提高java开发效率）
• 前端构建工具有哪些（前端主流开发工具）
• anaconda需要添加环境变量吗（anaconda安装之后,一定要设置环境变量）

（417）个朋友认为回复得到帮助。