3、Python环境与工具链搭建:Anaconda安装、TensorFlow/PyTorch选择、Jupyter Notebook配置

说实话,做深度学习项目,最让人头疼的往往不是模型本身,而是环境搭建。我见过太多同学花了一周调模型,结果发现是CUDA版本不对,或者Python包冲突。嗯,这节课我们就来把地基打牢。

3.1 为什么非得用Anaconda?

你可能觉得,装个Python不就行了?我刚开始也这么想。直到有一次,我在一个项目里同时用了TensorFlow 1.x和2.x,结果两个版本互相打架,pip装了这个卸了那个,折腾了两天。

Anaconda说白了就是一个Python的「管家」。它帮你做三件事:

  • 环境隔离:每个项目有自己的小天地,互不干扰
  • 包管理:conda install比pip稳得多,尤其是对于深度学习库
  • 预装常用库:numpy、pandas、matplotlib这些,装好就有
我的小建议:千万别用系统自带的Python做深度学习。我曾经图省事,直接在macOS自带的Python上装TensorFlow,结果权限问题搞得我差点砸电脑。

3.2 Anaconda安装实战

安装其实很简单,但有几个坑我得提前告诉你。

第一步:下载

去Anaconda官网下载对应版本。注意选Python 3.8或3.9,别追新。为什么?因为很多深度学习库对Python 3.10+的支持还不完善。

第二步:安装

Windows用户记得勾选「Add Anaconda to my PATH environment variable」。虽然安装程序会警告你,但相信我,勾上它。不然你每次打开终端都要手动激活环境,烦得很。

第三步:验证

打开终端,输入:

conda --version
python --version

如果看到版本号,恭喜你,成了。

避坑指南:我曾经在公司的Windows服务器上装Anaconda,结果因为用户名有中文,导致conda死活找不到路径。所以,安装路径不要有中文,这是血的教训。

3.3 创建虚拟环境

每个项目都应该有自己的环境。我习惯这样命名:

conda create -n wind_turbine python=3.8
conda activate wind_turbine

这个环境就叫wind_turbine,专门用来做风机故障预测。以后你装什么包都不会影响到其他项目。

你想想看,如果你同时做三个项目,每个项目依赖的库版本都不一样。没有虚拟环境?那画面太美我不敢看。

3.4 TensorFlow还是PyTorch?

这个问题,我几乎每次上课都会被问到。我的回答是:看场景

对比项 TensorFlow PyTorch
工业部署 强(TF Serving、TFLite) 中等(TorchServe)
研究灵活性 中等 强(动态图)
时序数据处理 强(TF Dataset) 中等
社区资源 丰富 非常丰富

对于风机故障预测这个项目,我个人推荐TensorFlow。原因有三:

  1. 工业场景下,TensorFlow的部署工具链更成熟
  2. 时序数据处理方面,TF Dataset用起来很顺手
  3. 我们后续要用到LSTM,TF的Keras接口写起来很简洁

当然,如果你以后想搞研究,PyTorch是更好的选择。但咱们这个课程,就先用TensorFlow。

安装命令

pip install tensorflow==2.10.0

注意版本,2.10是最后一个支持GPU的Windows版本。之后的版本只支持Linux。

3.5 Jupyter Notebook配置

Jupyter Notebook这东西,说白了就是个交互式Python编辑器。你写一段代码,立刻看到结果,特别适合做数据分析。

安装很简单:

conda install jupyter notebook

但我建议你装Jupyter Lab,它是Notebook的升级版,界面更现代,功能更强:

conda install jupyterlab

启动方式:

jupyter lab

然后浏览器会自动打开一个页面,你就可以开始写代码了。

几个实用配置

  • 自动补全:装个jupyterlab-lsp插件,写代码快一倍
  • 代码折叠:长代码看着不累
  • 暗黑主题:保护眼睛,我反正离不开
我的习惯:每次开始新项目,我都会在Jupyter里先跑一个简单的「Hello World」——打印TensorFlow版本,确认GPU能用。这一步能省掉后面很多排查时间。

3.6 知识体系总览

下面这张图,把咱们这节的内容串起来了。你一看就明白:

Python环境与工具链搭建 深度学习环境 Anaconda 环境隔离 · 包管理 框架选择 TensorFlow vs PyTorch Jupyter Notebook 交互式开发 · 可视化 创建虚拟环境 安装依赖包 GPU版本选择 版本兼容性 Jupyter Lab 插件配置 目标:可复现的深度学习环境 一次配置,到处运行

3.7 验证环境是否可用

装完别急着走,跑个测试:

import tensorflow as tf
print(tf.__version__)
print("GPU可用:" if tf.config.list_physical_devices('GPU') else "仅CPU")

# 跑个简单的计算
a = tf.constant([[1.0, 2.0], [3.0, 4.0]])
b = tf.constant([[5.0, 6.0], [7.0, 8.0]])
c = tf.matmul(a, b)
print(c)

如果看到矩阵乘法的结果,说明环境没问题。如果报错,别慌,八成是版本问题。去查一下TensorFlow和CUDA的对应关系,装对版本就好。

我曾经...有一次在服务器上装TensorFlow,装完发现GPU用不了。查了半天,原来是CUDA 11.0和TensorFlow 2.4不兼容。后来换了CUDA 11.2,问题解决。所以,装之前一定先查兼容性矩阵

好了,环境搭好了,咱们就可以开始真正的风机故障预测了。记住,环境问题是最不值得花时间的——一次配好,后面全是享受。


专注资料整理