Ubuntu Python机器学习入门

Ubuntu 上使用 Python 开展机器学习的入门指南

一环境准备与 Python 安装

更新系统并安装基础工具：
- 命令：sudo apt update && sudo apt upgrade -y
- 安装常用工具：sudo apt install -y python3 python3-pip git build-essential htop
检查版本：python3 --version、pip3 --version
说明：Ubuntu 通常预装 Python 3，如未安装再用 apt 安装即可。

二创建隔离环境

使用 venv（轻量、内置）：
- 创建：python3 -m venv ~/ml_venv && source ~/ml_venv/bin/activate
- 退出：deactivate
使用 conda（适合数据科学，依赖管理更强）：
- 安装 Miniconda/Anaconda（示例）：wget https://repo.anaconda.com/archive/Anaconda3-2024.05-Linux-x86_64.sh && bash Anaconda3-2024.05-Linux-x86_64.sh
- 创建环境：conda create -n ml_env python=3.10 -y && conda activate ml_env
建议：为每个项目单独创建环境，避免依赖冲突。

三安装常用机器学习库

经典 ML 与可视化：
- pip install numpy pandas scikit-learn matplotlib seaborn
深度学习框架（二选一或并存）：
- CPU 版 PyTorch：pip install torch torchvision torchaudio
- GPU 版 PyTorch（示例，CUDA 11.8）：conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia
- TensorFlow：pip install tensorflow
验证安装（任选其一）：
- TensorFlow：python - <<'PY' import tensorflow as tf print("TF:", tf.__version__, "GPU:", tf.config.list_physical_devices('GPU')) PY
- PyTorch：python - <<'PY' import torch print("PyTorch:", torch.__version__, "CUDA available:", torch.cuda.is_available()) PY
提示：GPU 版本需匹配 NVIDIA 驱动 与 CUDA/cuDNN；无 GPU 可先用 CPU 版。

四第一个机器学习示例线性回归

目标：用 scikit-learn 拟合一条 y = a + b·x 的直线，并评估误差。

代码（保存为 linear_demo.py）：

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score

# 1) 构造数据
np.random.seed(42)
X = np.random.rand(100, 1) * 10          # 特征：面积等
y = 2.5 + 3.7 * X.ravel() + np.random.randn(100) * 2  # 目标：带噪声的线性关系

# 2) 训练/测试划分
X_tr, X_te, y_tr, y_te = train_test_split(X, y, test_size=0.2, random_state=42)

# 3) 训练
model = LinearRegression()
model.fit(X_tr, y_tr)

# 4) 评估
y_pred = model.predict(X_te)
print(f"Coefficients: {model.coef_}, Intercept: {model.intercept_:.2f}")
print(f"MSE: {mean_squared_error(y_te, y_pred):.2f}, R2: {r2_score(y_te, y_pred):.2f}")

# 5) 可视化
import matplotlib.pyplot as plt
plt.scatter(X_te, y_te, color="blue", label="Actual")
plt.plot(X_te, y_pred, color="red", linewidth=2, label="Predicted")
plt.xlabel("X")
plt.ylabel("y")
plt.legend()
plt.title("Linear Regression Fit")
plt.show()

运行：python3 linear_demo.py
预期：控制台输出系数、截距、MSE 与 R2；弹出散点图与拟合直线。

五进阶与部署建议

交互式开发：安装 Jupyter Notebook
- pip install notebook 或 conda install jupyter
- 启动：jupyter notebook（浏览器自动打开）
计算机视觉入门：安装 OpenCV
- pip install opencv-python
- 可结合 scikit-learn 做图像分类小实验（如灰度化后用随机森林）
部署为服务：用 Flask/FastAPI 封装模型推理接口
- 示例：pip install flask fastapi uvicorn[standard]
- 运行：uvicorn app:app --reload --host 0.0.0.0 --port 5000
- 生产可加 Nginx 反向代理与进程管理（如 systemd）。

最新问答

相关标签