轻松搭建机器学习深度学习开发环境.pdfVIP

轻松搭建机器学习深度学习开发环境

⼈⼯智能学习从⼊门到放弃往往就是从配置环境开始，希望通过⼀篇⽂章让⼤家能轻松搭建⼈⼯智能开发环境。

我们从操作系统开始谈起

现在操作系统你可以选择Windows10/macOS/Linux,我个⼈是强烈推荐Linux的因为在开发或者稳定性乃⾄兼容性上都是最

好，有⼈会说在开发外，还有很多⼯作，还有娱乐，那是否Linux就不适合了，这⾥我提提我个⼈的经验,对于Linux都已经有很多软件⽀

持，如WPS，如百度云盘，如Google输⼊法，还有你可以基于Wine去安装相关适配的软件，如Wechat/QQ等，当然你⼀定要Office

365之类，我建议你安装VMWarePlayer装⼀个虚拟机去虚拟⼀个WIndows也是可以的。当然你不喜欢虚拟机，那你可以在Windows

10上直接使⽤WSL去完成。⾄于macOS⽤户，在现阶段你就只能在⾃⾝平台，或者通过VMFusion/ParralelDesktop去虚拟⼀个

Linux去配置。

⼤家知道机器学习/深度学习开发，需要⽤到GPU，上述⽅案是否都能⽤呢？macOS就不⽤想了，因为直接就和⽼黄不沾边多年，现

在只能等深度学习框架去⽀持MLCompute。⽽Windows/Linux都是⽀持GPU的，那如果是WIndows下的WSL呢？要等年底，你就

可以直接在WSL通过原⽣或者容器⽅式去⽀持GPU算⼒了。

⾄于版本，我推荐使⽤Ubuntu20.04.2这是⼀个LTS长期⽀持版本，在环境⽀持上也是很给⼒的.下⾯是我的Linux⼯作环境截图

接下来就是重点-开发环境配置

0.Bash/Zsh

我喜欢⽤Zsh，我喜欢他更多的定义，和编写规范，所以安装完Ubuntu/WSL我会切换掉bash成zsh，当然macOS11是⾃带了

sudoapt-getinstallzsh

whereiszsh

sudousermod-s/usr/bin/zsh$(whoami)

sudoreboot

1.Python的选择

现在很多⼈会说Python环境多，究竟⽤哪个Python环境⽐较合适呢？当然你可以选择conda或者pyenv去配置多Python环境，但我个⼈

喜好是pyenv，当然conda也是可以的。⾄于Python版本我喜欢⽤Python3.8.x，这个版本对⽐起3.6，3.7更稳定，⽽且对深度学习

框架⽀持⽐较完善。有⼈说系统⾃带可以吗？是可以，但是我觉得pyenv/conda起到⼀个管理多Python作⽤，还是建议⽤。

pyenv的Ubuntu/WSL使⽤⽅法

gitclone/pyenv/pyenv.git~/.pyenvgitclone/pyenv/pyenv.git~/.pyenvgitclone/pyenv/pyenv.git~/.pyenvgitclone/pyenv/pyenv.git~/.pyenvgitclone/pyenv/pyenv.git~/.pyenv

exec$SHELL

gitclone/pyenv/pyenv-virtualenv.git$(pyenvroot)/plugins/pyenv-virtualenvgitclone/pyenv/pyenv-virtualenv.git$(pyenvroot)/plugins/pyenv-virtualenv

exec$SHELL

CONFIGURE_OPTS=--enable-sharedpyenvinstall3.8.8

pyenvvirtualenv3.8.8pydev

pyenvglobalpydev

macOS

brewinstallpyenv

2.CUDA环境安装（如果你没有GPU直接去到4即可）

这⾥我选择使⽤CUDA11.1，当然有很多⼈会选择10.2，但基于Ubuntu20.04的环境，CUDA11.1是最好的，⽽且11.1对于那些深

度学习库都是完美⽀持，⽆论是TensorFlow/PyTorch,还是国产的PaddlePaddle都是兼容的。具体配置如下：

wget/compute/cuda/repos/ubuntu2004/x86_64/cuda-ubuntu200