机器学习各类框架安装与使用（小白教程二）

机器学习领域有许多流行的框架，适用于不同的任务和需求。以下是一些常见的机器学习框架及其特点：

1. TensorFlow

• 简介：由 Google 开发的开源深度学习框架，广泛用于研究和生产环境。
• 特点：
  • 支持静态和动态计算图（通过 tf.function）。
  • 强大的模型部署能力，支持多种平台（如 TensorFlow Serving 和 TensorFlow Lite）。
  • 生态系统丰富，包括 TensorBoard（可视化工具）、TensorFlow Extended（TFX）等。

2. PyTorch

• 简介：由 Facebook 开发的深度学习框架，以其灵活性和易用性受到欢迎。
• 特点：
  • 动态计算图，适合研究和实验。
  • 自动微分功能强大，支持复杂的模型构建。
  • 有丰富的生态系统，包括 Torchvision、Torchaudio 和 Torchtext。

3. Scikit-learn

• 简介：基于 NumPy、SciPy 和 Matplotlib 的机器学习库，主要用于传统的机器学习任务。
• 特点：
  • 提供简单易用的 API，适合初学者。
  • 包含多种算法（分类、回归、聚类等）和预处理工具。
  • 不支持深度学习。

4. Keras

• 简介：一个高级神经网络 API，可以与 TensorFlow 和其他后端一起使用。
• 特点：
  • 简单易用，适合快速构建和实验。
  • 支持多种后端（如 TensorFlow、Theano 和 CNTK）。
  • 适合初学者和快速原型开发。

5. MXNet

• 简介：由 Apache 基金会支持的深度学习框架，适合大规模分布式训练。
• 特点：
  • 支持多种编程语言（Python、R、Scala 等）。
  • 动态和静态计算图混合使用。
  • 对于 AWS 的深度集成，适合在云上部署。

6. Caffe

• 简介：一个深度学习框架，主要用于图像分类任务。
• 特点：
  • 高效，适合生产环境。
  • 支持多种预训练模型，容易进行迁移学习。
  • 不如 PyTorch 和 TensorFlow 灵活。

7. LightGBM

• 简介：由 Microsoft 开发的梯度提升框架，专注于高效的树模型。
• 特点：
  • 在处理大规模数据时效率高。
  • 支持分类、回归和排序任务。
  • 易于与其他工具结合使用（如与 Scikit-learn 结合）。

8. XGBoost

• 简介：一个高效的梯度提升算法实现，广泛应用于 Kaggle 和数据竞赛。
• 特点：
  • 高性能，具有灵活性和可扩展性。
  • 支持多种任务（分类、回归等）。
  • 提供丰富的参数调优选项。

9. CatBoost

• 简介：由 Yandex 开发的梯度提升库，特别针对类别特征优化。
• 特点：
  • 自动处理类别特征，无需手动转换。
  • 易于使用，适合大规模数据集。
  • 在多种任务上表现良好。

10. Fastai

• 简介：基于 PyTorch 的高层次深度学习库，旨在简化训练过程。
• 特点：
  • 简化的 API，适合快速实验和开发。
  • 提供预训练模型和迁移学习功能。
  • 适合初学者和研究者。

PyTorch 是一个开源的深度学习框架，由 Facebook 的人工智能研究小组开发。它因其灵活性、易用性和强大的功能而广受欢迎，特别是在研究和开发领域。以下是 PyTorch 的一些主要特性和功能：

1. 动态计算图

PyTorch 使用动态计算图（Dynamic Computation Graph），这意味着计算图在运行时构建。与静态计算图相比，动态计算图允许更高的灵活性，使得模型的构建和调试更加直观。用户可以在每个前向传播中修改图形结构，适应不同的输入数据。

2. 张量（Tensor）

张量是 PyTorch 的基本数据结构，类似于 NumPy 的数组，但具有 GPU 加速的能力。张量可以是一维、二维或多维的，支持自动微分和各种数学操作。

3. 自动微分（Autograd）

PyTorch 的 autograd 模块支持自动求导，这使得计算梯度变得简单。用户只需定义前向传播过程，框架会自动计算反向传播的梯度，便于进行优化。

4. 模块化设计

PyTorch 的模块化设计允许用户轻松构建和训练复杂的神经网络。它提供了多种预定义的层（如卷积层、全连接层、激活函数等），用户也可以根据需要创建自定义层。

5. 丰富的库和工具

PyTorch 提供了多种扩展库和工具，例如：

• Torchvision：用于计算机视觉任务，提供数据集、模型和图像转换工具。
• Torchaudio：用于音频处理。
• Torchtext：用于自然语言处理。

6. 社区和生态系统

PyTorch 拥有一个活跃的社区，提供大量的文档、教程和示例代码。此外，许多前沿的研究和项目都是基于 PyTorch 开发的，推动了其快速发展。

7. 与其他库的兼容性

PyTorch 可以与许多其他深度学习库和工具兼容使用，如 TensorBoard（用于可视化训练过程）和 ONNX（用于模型转换）。

PyTorch的安装

查看python版本

查看当前的 Anaconda有多少虚拟环境

conda env list

 看到base（root），这个就是Anaconda默认的一个虚拟环境

利用 conda create 指令创建新的虚拟环境

• conda create –n 虚拟环境名字 python=版本

创建结束

查看发现创建成功 

 添加镜像下载地址

conda config --add channels 想要添加的通道地址

	用于创建环境镜像地址
	​conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/   conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/   conda config --set show_channel_urls yes   conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/win-64/

使用conda config --get命令查看是否添加成功

删除已经添加的镜像地址

conda config --remove channels 通道地址

安装pytorch前想清楚一个问题，想把pytorch安装到那个环境里

默认是在基础环境下（base），也可以安装到自己创建的这个虚拟环镜

输入下面命令进入想安装pytorch的虚拟环境，在pytorch1这个虚拟环境中安装pytorch

conda activate pytorch1

查看pytorch版本

conda search pytorch

 

下载命令：

conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

解析 

 

检测安装是否成功

import torch
torch.__version__

 

卸载掉CPU版本的Pytorch包命令：

conda uninstall pytorch