Ubuntu Python机器学习库使用指南

一 环境准备与基础安装

• 更新系统并安装基础工具：
  • sudo apt update && sudo apt upgrade -y
  • sudo apt install -y build-essential cmake git python3-dev python3-venv
• 建议优先使用虚拟环境（venv 或 conda）隔离依赖：
  • python3 -m venv ~/venvs/ml
  • source ~/venvs/ml/bin/activate
• 安装常用数据科学栈（CPU版）：
  • pip install -U pip numpy pandas scipy scikit-learn matplotlib seaborn jupyter
• 验证安装：
  • python -c “import numpy, pandas, sklearn, matplotlib; print(numpy.version, pandas.version, sklearn.version)”
• 可选：使用 Anaconda 管理环境与包（适合多项目与GPU场景）
  • 下载安装脚本并安装，然后创建环境：conda create -n ml python=3.10 -y && conda activate ml

二 GPU加速配置

• 安装 NVIDIA 驱动（示例版本，可按需调整）：
  • sudo apt-get install -y nvidia-driver-535
  • 重启后执行 nvidia-smi 验证驱动与 GPU 信息
• CUDA 与 cuDNN（示例为 CUDA 11.8，通常与驱动版本配套）：
  • 从 NVIDIA 官网下载 runfile，安装时选择“不安装驱动”（已装驱动）
  • 配置环境变量（示例，路径以实际安装为准）：
    • echo ‘export PATH=/usr/local/cuda-11.8/bin:$PATH’ >> ~/.bashrc
    • echo ‘export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH’ >> ~/.bashrc
    • source ~/.bashrc
• 深度学习框架 GPU 版本安装（以 PyTorch 为例，CUDA 11.8）：
  • pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
• 验证 GPU 可用（PyTorch）：
  • python - <<‘PY’ import torch print(“CUDA available:”, torch.cuda.is_available()) print(“CUDA device count:”, torch.cuda.device_count()) if torch.cuda.is_available(): print(“Current device:”, torch.cuda.get_device_name(0)) PY

三 常用库安装与用途

• 安装顺序建议：先装 NumPy/SciPy，再装 pandas/scikit-learn，最后装深度学习框架。

四 快速上手示例

• 示例一 传统机器学习（scikit-learn 线性回归）

  • python - <<‘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 import matplotlib.pyplot as plt

    构造数据

    X = np.linspace(0, 10, 100).reshape(-1, 1) y = 3.5 * X.ravel() + np.random.normal(0, 2, X.size)

    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)

    训练

    model = LinearRegression() model.fit(X_tr, y_tr)

    评估

    y_pred = model.predict(X_te) print(“MSE:”, mean_squared_error(y_te, y_pred)) print(“R2:”, r2_score(y_te, y_pred))

    可视化

    plt.scatter(X_te, y_te, color=‘blue’, label=‘Actual’) plt.plot(X_te, y_pred, color=‘red’, label=‘Predicted’) plt.legend(); plt.show() PY

• 示例二 深度学习（TensorFlow/Keras MNIST 手写体）

  • python - <<‘PY’ import tensorflow as tf from tensorflow.keras import Sequential from tensorflow.keras.layers import Dense, Flatten from tensorflow.keras.utils import to_categorical

    加载与预处理

    (x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data() x_train, x_test = x_train/255.0, x_test/255.0 y_train = to_categorical(y_train, 10)

    构建模型

    model = Sequential([ Flatten(input_shape=(28, 28)), Dense(128, activation=‘relu’), Dense(10, activation=‘softmax’) ]) model.compile(optimizer=‘adam’, loss=‘categorical_crossentropy’, metrics=[‘accuracy’])

    训练与评估

    model.fit(x_train, y_train, epochs=3, batch_size=32, validation_split=0.1, verbose=2) loss, acc = model.evaluate(x_test, to_categorical(y_test, 10), verbose=0) print(f"Test accuracy: {acc:.4f}") PY

五 常见问题与排错

• 编译/头文件缺失（如“Python.h: No such file or directory”）
  • sudo apt-get install -y python3-dev
• 构建 SciPy/依赖 BLAS/LAPACK 失败
  • sudo apt-get install -y gfortran libopenblas-dev liblapack-dev
• pip 权限错误
  • 使用虚拟环境或在用户目录安装：pip install --user package；尽量避免 sudo pip
• 图形后端错误（matplotlib）
  • 非 GUI 环境使用 Agg：echo “backend: Agg” > ~/.config/matplotlib/matplotlibrc
• Jupyter 远程访问
  • jupyter notebook --generate-config
  • 配置：c.NotebookApp.ip=‘0.0.0.0’；c.NotebookApp.port=8888；c.NotebookApp.open_browser=False
  • 服务器需放行 8888 端口（云主机安全组/防火墙）