Linux机器学习环境搭建全指南
|
Linux是机器学习开发的主流平台，稳定高效且生态丰富。推荐使用Ubuntu 22.04 LTS或Debian 12作为基础系统，兼顾兼容性与长期支持。安装时勾选“安装第三方软件”以自动配置显卡驱动（NVIDIA）和基础编译工具。 更新系统并安装核心依赖：执行sudo apt update && sudo apt upgrade -y，随后安装build-essential、cmake、git、wget及libssl-dev等开发库。NVIDIA用户需额外添加官方仓库并安装nvidia-driver-535与nvidia-cuda-toolkit，验证命令nvidia-smi应显示GPU信息与驱动版本。 Python环境建议采用pyenv管理多版本，避免系统Python被污染。通过curl -sL https://pyenv.run | bash配置后，安装Python 3.10或3.11，并设为全局默认。接着用pip install --upgrade pip setuptools wheel确保包管理器最新，再安装虚拟环境工具venv（系统自带）或poetry（更推荐）用于项目隔离。 创建专属项目目录，如ml-env，进入后用poetry init初始化，再运行poetry add torch torchvision torchaudio --cpu（CPU版）或--cuda 12.1（CUDA加速版）。若需TensorFlow，可追加poetry add tensorflow或tensorflow-gpu，注意CUDA/cuDNN版本需严格匹配官方要求。 Jupyter生态不可或缺：poetry add jupyter ipykernel，然后poetry run python -m ipykernel install --user --name=ml-env --display-name="Python (ml-env)"，即可在Jupyter Lab中选择该内核。顺带安装jupyterlab-lsp与python-lsp-server提升代码智能补全体验。 数据处理与可视化依赖常被忽略，一并安装：poetry add numpy pandas scikit-learn matplotlib seaborn opencv-python。若涉及自然语言处理，可按需增加transformers、datasets与tokenizers；图像领域推荐add albumentations、timm。
AI艺术作品，仅供参考 环境验证只需三步：启动jupyter lab，在新notebook中依次导入torch（检查torch.cuda.is_available()）、sklearn、pandas，运行简单线性回归示例；最后用nvidia-smi确认GPU内存占用正常。所有依赖均置于poetry.lock文件中，保证团队协作时环境一致。日常维护建议定期更新：poetry update拉取安全补丁；敏感项目可用poetry export -f requirements.txt > reqs.txt生成冻结列表；遇到CUDA错误优先核查nvidia-driver与cudatoolkit版本对应表，而非重装整个栈。环境即代码，文档化配置比记忆命令更可靠。 （编辑：站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
