Anaconda+VS Code數據分析環境搭建及使用(GPU、可視化)

2020-12-11 深度學習筆記

相信做數據分析和機器學習的同學選擇環境和IDE時都有過猶豫，尤其市場上的產品比較多，大家感受不一，但無論如何，簡單高效，方便管理，適合自己，應該是最重要的評估標準。好的工具往往是我們事半功倍，本問推薦Anaconda+VScode及親自安裝實踐供參考使用

為什麼選擇Anaconda

Anaconda是開源項目，可在Linux，Windows和Mac OS X上執行Python / R，對於數據科學和機器的學習具有如下優勢：

快速下載1,500多個Python / R數據科學軟體包使用Conda管理庫，方便管理工具包和環境使用scikit-learn，TensorFlow和Theano開發和訓練機器學習和深度學習模型使用Dask，NumPy，pandas和Numba分析工具使用Matplotlib，Bokeh，Datashader和Holoviews可視化結果為什麼選擇Visaul Studio code

根據觀察統計，目前大部分Python開發者都是用 Pycharm 作為編輯器進行開發，Pycharm功能強大，但是個人感覺Pycharm用起來比較笨重，電腦有時因此卡頓，而且還收費的，需要進行破解才能使用。相比下，Sublime Text 、 Visaul Studio code這類工具更簡單輕便，畢竟只是個代碼編輯器，設置運行在windows cmd窗口或者Linux 環境也是可以的。Sublime text 這裡不做介紹，這裡介紹vs code ，因為最近官方宣布其直接支持Jupyter notebook，極大的方便數據可視化。不用再去--jupyter notebook 運行，去起瀏覽器了。

Anaconda 安裝

下載安裝https://www.anaconda.com/

本次是選擇基於windows python3.7 64位。

安裝選項這裡兩個都選擇，否則還得手動添加環境變量。

anaconda使用

1）cmd輸入

C:\Users\MSI-PC>conda --versionconda 4.7.12

2）CMD界面輸入python進入ipython交互界面（其實沒啥用，jupyter notebook包含此功能）

3）pip list 可以看到當前的包。可以看到numpy、pandas、scikit-learn、scipy 、seaborn常用的數據圖形工具都有安裝。

4）conda env list 查詢當前環境，base 為默認環境，tfg1.11為新建

C:\Users\MSI-PC>conda env list# conda environments:#base * D:\ProgramFiles\Anacoda3tfg1.11 D:\ProgramFiles\Anacoda3\envs\tfg1.11

5）如需獨立的環境。如想試下tensorflow2.0效果如何，利用 conda create -n your_env_name python=X.X即可建立。將會在anaconda/envs目錄下建立your_env_name目錄，如想重裝或遷移環境，將安裝包下文件拷貝到新的anaconda對應目錄下即可D:\ProgramFiles\Anacoda3\envs。通過conda activate your_env_name即可進入該獨立環境。以下是本機環境建立的用於tensorflow學習的獨立環境。

注安裝完Anaconda後其實已經有IED Spyder IDE和jupter notebook可視化工具感興趣的可以嘗試下是否習慣。

VS code 安裝

下載地地址，https://code.visualstudio.com/ 只有40M.

1）對anaconda3環境的導入，這裡使用Anaconda Extension Pack，ctrl+shif+f 搜索Anaconda Extension Pack 點擊安裝

2）python基本環境安裝

ctrl+shif+f 搜索python 點擊install 即可安裝。

註：因為上邊安裝了anaconda3,所以似乎是不用再安裝python的擴展了。

VS code 測試

1）新建test.py文件，測試GPU是否可用，ctrl+F5運行。

import tensorflow as tfgpu_test= tf.test.is_gpu_available()print("GPU是否可用",gpu_test)#輸出：GPU是否可用 True

左下角可以看到使用的編譯環境是conda tfg1.11(點擊此處可切換其他conda 環境)

2）在vs code中同樣可以像jupyter notebook那樣以cell的形式執行交互式腳本。

- 使用 `ctrl+ shift+ p` 調出 **Command Palette** 然後輸入 `Python: Switch`

- 這裡我們選擇第二個 **Python: Switch to Insiders Daily Channel**

首次安裝等幾分鐘。

- 方法一: 使用 `ctrl + shift + p` 輸入 `Python: Create New Blank Jupyter Notebook`

-方法二: 直接左上角新建文件, 然後 `ctrl + s` 保存為 `.ipynb` 格式即可、

加載一個花瓣識別數據

使用下來感覺vs code 還是很方便的。無論GPU使用、anaconda環境切換，還是jupyter notebook都可以滿足需求需求。

相關焦點

  • python入門:環境搭建(神器Anaconda+Vs Code)下載與配置
    大家好，我是涼拌本篇文章主要講python神器：anaconda和vs code這兩樣神器的安裝與配置。我馬上要講的東西呢，比較適合那些已經學會了python語法的小白們。還不太了解python語法的朋友，可以考慮先學習python語法。
  • VS Code 搭建 Rust 開發環境
    上一篇文章安裝和配置好了 Rust 環境後，我們是使用的是簡單的文本工具編寫 Hello World 入門代碼，但是為了提高我們的學習效率，下面安利大家 VS Code 搭建 Rust 開發環境，讓我們開始享受 IDE 帶來的便利。
  • vs code配合Anaconda寫Python?掌握這些技巧讓數據分析事半功倍
    Anaconda是一個著名的開源Python發行版本，內含多個Python的科學計算庫，相信使用Python做數據分析或數據挖掘的小夥伴對他不會陌生。vs code配置python插件打開vs code，左邊選擇應用商店輸入Python，選擇安裝上圖的插件安裝後你會發現左下方即可選擇使用本機的哪個python環境，是不是很方便
  • 深度學習教程2,Anaconda安裝和使用命令
    互相環境之間不影響。可以很方便的使用在比如別人特定版本庫開發的程序的環境。官網：https://www.anaconda.com/下載地址：win版：Anaconda3-5.3.1-Windows-x86_64.exe 633M按圖片設置，然後都是下一步就可以完成安裝啦。
  • python環境配置簡要流程
    conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/ conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
  • 深度學習環境搭建詳細教程
    環境搭建結構圖實戰順序 orderAnaconda3Jupyter輸入命令沒有錯誤即可import tensorflow as tf# 安裝 支持 GPU和CPU 版本pip install tensorflow# 測試,進入 cmd，輸入命令返回 True 即可tf.test.is_gpu_available
  • python開發環境搭建及工具配置
    如果你繼續使用未得到支持的模塊，可能危及企業及數據的安全性，因為無人修復的漏洞遲早會出現。基於python2的應用升級至python3是大勢所趨，大量的應用將基於python3開發。本文便基於Python3開始。
  • 環境配置簡要流程
    環境配置簡要流程 1、 下載並安裝 anaconda2、 下載並安裝 vscode3、 下載並安裝 git4 、 調整 Anaconda5、 版本對應關係/anaconda/cloud/conda -f orge/ conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --set show_channel_urls yes
  • 超全Anaconda(Python整合包)導修(圖文詳解)
    Anaconda還可以使用戶獲得一個易於管理的環境設置——用戶只需點擊按鈕就可以部署任何項目。相信你們對Anaconda已經有了一個基本概念，接下來了解如何安裝它，並設置一個能夠在系統上工作的環境。安裝和啟動想要安裝Anaconda，可以進入這個網站。
  • python小白學習之anaconda的安裝與Jupyter環境配置
    隨著機器學習和人工智慧的崛起，python被越來越多的程序猿使用。python非常易用，但是包管理和Python不同版本問題卻讓人非常頭疼。Anaconda有著強大的包管理與環境管理功能，將python和許多常用的package打包。本文主要介紹linux下Anaconda的安裝與Jupyter環境配置。
  • 「科普周」想lu代碼不知道怎麼搭環境?
    歡迎大家關注公眾號【哈希大數據】前面為大家介紹了機器學習入門要學的基礎知識、算法和概念。但我想擼機器學習的代碼該怎麼辦？初來乍到不知道怎麼配機器學習的環境呀！莫慌莫慌，哈希本次為大家講講Windows環境中如何搭建Python機器學習環境。
  • 大數據可視化常用分析圖表的優缺點
    可視化圖表次整理了一些平常不太使用，但在合適的場景的使用它們，往往能為你的分析報告加分不少的圖表。
  • 10個Python簡單技巧,讓數據分析速度加快不止一倍!
    下文中的建議和技巧有些可能很常見，有些則較新穎，相信你在將來處理數據分析項目時會派上用場。1. 分析pandas數據框Profiling是幫助理解數據的過程，而Pandas Profiling 是幫助理解數據的python包，能簡單快速地對Pandas數據框進行探索性數據分析。
  • 「可視化」的數據分析落伍了?
    作為一名程式設計師兼職業餘空間數據分析師，空間數據的處理一直是一抹揮之不去的烏雲。雖然GIS軟體可視化的操作界面、包羅萬象的功能，已經能解決日常工作中幾乎所有問題，但對於身為程式設計師的我來說，一切不能用鍵盤上26個字母解決的問題，都是不科學的~所以這些年我一直致力於思考一個問題，如何把Arcgis的功能，用代碼的方式實現。
  • 從數據可視化到交互式數據分析
    （3）分析問題第三個用途是從數據中提取信息，用來解釋問題同時增加對一些有趣現象的理解。當然，解釋性可視化也有助於人們理解某些事物。但這裡的主要區別在於，在解釋性的可視化中，作者已經知道了可視化的內容（在執行了一些分析之後），而在分析學中，可視化的主要價值是幫助人們第一時間理解數據。人們已經使用了一百萬個名字來定義此活動。
  • 基於RTX2060構建TensorFlow-gpu(keras)學習平臺
    一、conda命令1. onda env list 或 conda info -e 查看當前存在哪些虛擬環境2. conda create --name tf36gpu python=3.6 anaconda3. conda remove -n
  • 數據分析從業者必看,10 個加速 python 數據分析的簡單的小技巧
    這是對 pandas 數據幀進行探索性數據分析的一種簡單快速的方法。pandas df.describe（）和 df.info（）函數通常用作 EDA 過程的第一步。但是，它只提供了非常基本的數據概述，對於大型數據集沒有太大幫助。另一方面，pandas 分析函數使用 df.profile_report（）擴展 pandas 數據幀，以便快速進行數據分析。
  • Python數據分析可視化教程學習
    來源：博學谷 作者：照照隨著數據分析與數據挖掘行業的日益火爆，Python數據分析可視化教程也成為了許多人提升職業競爭力的必修課。目前人類社會正在從IT時代步入大數據時代，學習Python數據分析可視化，無疑可以走在時代技術發展的最前沿，做大數據時代的弄潮兒。另外處於對自身職業規劃的需要，我們也要掌握Python數據分析可視化的技能。現在放眼望去，無處不在的數據分析師，已經成為了許多企業的核心職業。而且該Python教程包括了主流的數據分析庫，是大家學習數據分析的絕佳選擇。
  • 自建GPU伺服器:搭建自己的深度學習PC
    在本文中，我將逐步向你展示我今年早些時候搭建的深度學習機器，描述在建立這樣一臺機器時你會遇到的一些選擇以及你可能要付出的成本。價格是自2017年12月以來亞馬遜的直接報價。 如果你想進一步深探深度學習——無論是對大型數據集進行研究還是參加Kaggle比賽，或者兩者兼而有之，搭建自己的深度學習機器都是非常有意義的。
  • 小叮噹機器學習:Python3.6配置TensorFlow的GPU版詳細安裝教程
    隨著機器學習，神經網絡的搭建，我們對海量數據的處理需求越來越大。雖然，CPU的發展速度已經放緩，但並行處理的架構卻取得了爆炸式的發展。圖形處理單元（GPU）的大量運用，已經拉開了機器學習迅猛發展的序幕。