ubuntu系统下Python虚拟环境的安装和使用

安装虚拟环境

  • 步骤:

  • 打开Linux终端(快捷键Ctrl+Alt+T),输入命令:

sudo apt install python-virtualenv
sudo easy_install virtualenvwrapper

说明:以上两条命令逐条执行,完成后虚拟环境安装完毕。

或者可以使用pip安装,前提是安装了pip,一般python自带了pip:

sudo pip install virtualenv
sudo pip install virtualenvwrapper
  • 说明:安装的结果一模一样,使用任意一种即可。
  • virtualenv是虚拟环境,virtualenvwrapper对virtualenv的命令进行了封装,使得其更加友好。

注意:安装的顺序不能颠倒,virtualenvwrapper必须依赖于virtualenv。

创建虚拟环境

  • 在终端输入如下命令:
mkvirtualenv 虚拟环境名称
如:
mkvirtualenv mywork

//会创建一个名为mywork的虚拟环境
  • 创建的虚拟环境都保存在/home/.virtualenvs目录下,可以进入这个目录查看;
  • 创建成功后会自动进入该虚拟环境,命令行提示改变;

  • 指定python版本创建虚拟环境

上面的命令执行时,系统会创建默认的python版本的开发环境,一般大家的电脑会同时安装python2和python3版本,有时需要不同的版本创建虚拟环境


             1.打开.bashrc

sudo vim ~/.bashrc
  • 1export WORKON_HOME=$HOME/.virtualenvs # 所有虚拟环境存储的目录
  • 1
  • 2
2.在.bashrc的末尾增加下面内容
source /usr/local/bin/virtualenvwrapper.sh
              3.启用配置文件
source ~/.bashrc


/usr/bin/python: No module named virtualenvwrapper
virtualenvwrapper.sh: There was a problem running the initialization hooks.

If Python could not import the module virtualenvwrapper.hook_loader,
check that virtualenvwrapper has been installed for
VIRTUALENVWRAPPER_PYTHON=/usr/bin/python and that PATH is
set properly.


错误原因:Ubuntu安装了2.7和3.x两个版本的python,在安装时使用的是sudo pip3 install virtualenvwrapper
在我运行的时候默认使用的是python2.x,但在python2.x中不存在对应的模块。(virtualenvwrapper.sh文件内容如下:):
[html] view plain copy
  1. # Locate the global Python where virtualenvwrapper is installed.  
  2. if [ "$VIRTUALENVWRAPPER_PYTHON" = "" ] then  
  3.     VIRTUALENVWRAPPER_PYTHON="$(command \which python)"  
  4. fi  

当不存在VIRTUALENVWRAPPER_PYTHON环境时,会默认选择使用which python(我这里默认是python2),

所以需要增加此环境变量:


VIRTUALENVWRAPPER_PYTHON=/usr/bin/python3

虚拟环境的查看和使用

  • 删除虚拟环境
rmvirtualenv [虚拟环境名称]
例:
rmvirtualenv mywork

注意:如果目前的位置在虚拟环境中,需要先退出虚拟环境,然后才能执行删除

注意:可以在任何目录执行删除操作,如果不知道名字,可以rmvirtualen + 两次Tab键,提示所有的虚拟环境

  • 退出虚拟环境
deactivate
  • 进入虚拟环境
workon [虚拟环境名称]
例:
workkon mywork

注意:按workon+两次Tab键会提示所有虚拟环境。

  • 查看虚拟环境中安装的python包
pip list
pip freeze

两个命令都可以查询,只是展示的形式不一样。

在虚拟环境下安装python包

  • 进入虚拟环境,在终端输入:
pip install 包的名字

注意:一定不要使用sudo pip ... ,这里是在虚拟环境中安装python包,如果使用了sudo权限,python包会被安装在主机非虚拟环境下,在虚拟环境中找不到这个包。






深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值