#### **安装与配置核心步骤总览** | 步骤 | 核心任务 | 关键产出/验证点 | | :--- | :--- | :--- | | **1. 基础环境准备** | 安装 Anaconda/Miniconda | `conda --version` 命令可执行 | | **2. 虚拟环境管理** | 创建并激活独立的 Python 环境 | 环境名称（如 `ml_env`）在终端提示符中显示 | | **3. 核心库安装** | 按序安装 scikit-learn, OpenCV, PyTorch+torchvision | 各库`import`无报错，且能打印版本 | | **4. 综合环境验证** | 编写并运行一个简单的测试脚本 | 脚本能调用所有库并执行一个基础操作 | --- #### **1. Anaconda3 安装与基础配置** Anaconda 是包含 Conda 包管理器、Python 及大量科学计算包的发行版。建议使用 Miniconda（更轻量）或完整版 Anaconda。 1. **下载安装脚本**：根据操作系统（Windows/Linux/macOS）从[官网](https://www.anaconda.com/download)或[清华镜像源](https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/)下载对应安装包 [ref_3]。 2. **执行安装**： * **Linux/macOS**: 在终端中执行 `bash Anaconda3-xxxxx.sh`，按照提示操作。安装路径建议选择用户主目录（如 `~/anaconda3`）以避免权限问题 [ref_1][ref_4]。 * **Windows**: 运行下载的 `.exe` 安装程序，建议勾选“Add Anaconda to my PATH environment variable”或将安装路径（如 `C:\Anaconda3`）手动加入系统环境变量 `Path` [ref_2]。 3. **验证安装**：打开新的终端（或 Anaconda Prompt on Windows），运行以下命令： ```bash conda --version python --version ``` 应正确显示 Conda 和 Python 的版本号。 4. **（可选）配置国内镜像源**：为加速后续包下载，可配置 Conda 和 Pip 的国内镜像源 [ref_3]。 ```bash # 配置 Conda 清华源 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 --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/ conda config --set show_channel_urls yes # 配置 Pip 清华源 pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple ``` #### **2. 创建并管理虚拟环境** 强烈建议为不同项目创建独立的虚拟环境，避免包版本冲突。 1. **创建环境**：创建一个名为 `ml_env`（可自定义）的 Python 3.9 环境。 ```bash conda create -n ml_env python=3.9 ``` 环境将默认安装在 Conda 的 `envs` 目录下 [ref_4]。 2. **激活环境**： * **Linux/macOS**: `conda activate ml_env` * **Windows**: `conda activate ml_env` 激活后，终端提示符通常会显示环境名 `(ml_env)`。 3. **退出环境**：`conda deactivate` 4. **查看所有环境**：`conda env list` #### **3. 安装核心机器学习库** 在激活的虚拟环境 `(ml_env)` 中，按以下顺序进行安装。 ##### **3.1 安装 scikit-learn** scikit-learn 是经典的机器学习库。通过 Conda 安装可以自动处理其依赖（如 NumPy, SciPy）。 ```bash # 在 (ml_env) 环境中执行 conda install scikit-learn -y ``` 验证安装： ```python python -c "import sklearn; print(sklearn.__version__)" ``` ##### **3.2 安装 OpenCV (cv2)** OpenCV 用于计算机视觉。完整的 `opencv-python` 包通过 Pip 安装最便捷。 ```bash # 在 (ml_env) 环境中执行 pip install opencv-python ``` 如果还需要 `opencv-contrib-python` 包含额外模块，或需要 `opencv-python-headless`（无 GUI 依赖，适合服务器），可替换安装命令 [ref_1]。 验证安装： ```python python -c "import cv2; print(cv2.__version__)" ``` ##### **3.3 安装 PyTorch 与 torchvision** PyTorch 是主流深度学习框架，`torchvision` 是其配套的计算机视觉库。**安装命令需根据你的计算平台（CPU/GPU）和 CUDA 版本严格选择** [ref_2][ref_5]。 1. **确定安装版本**： * **CPU版本**：适用于无 NVIDIA GPU 或仅需 CPU 计算的场景。 * **GPU版本（CUDA）**：需先确保已安装与 PyTorch 版本兼容的 NVIDIA 显卡驱动、CUDA 和 cuDNN [ref_5][ref_6]。可通过 `nvidia-smi` 命令查看驱动版本和最高支持的 CUDA 版本。 2. **前往 [PyTorch 官网](https://pytorch.org/get-started/locally/)**，使用其提供的配置器生成安装命令。以下为常见示例： * **安装 CPU 版本**： ```bash # 通过 Conda 安装（推荐，自动解决依赖） conda install pytorch torchvision torchaudio cpuonly -c pytorch ``` * **安装 CUDA 11.8 的 GPU 版本**： ```bash # 通过 Pip 安装 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 ``` *注意：以上命令仅为示例，请务必以官网生成的最新命令为准。* 3. **验证安装**： ```python import torch import torchvision print(f"PyTorch 版本: {torch.__version__}") print(f"Torchvision 版本: {torchvision.__version__}") # 检查 CUDA（GPU）是否可用 print(f"CUDA 是否可用: {torch.cuda.is_available()}") if torch.cuda.is_available(): print(f"当前 CUDA 设备: {torch.cuda.get_device_name(0)}") ``` #### **4. 环境综合验证** 创建一个名为 `test_env.py` 的 Python 脚本，用于一次性验证所有库的安装情况 [ref_1]。 ```python """ 综合环境测试脚本 """ import sys import numpy as np import sklearn import cv2 import torch import torchvision def main(): print("=" * 40) print("Python 版本:", sys.version[:6]) print("=" * 40) # 1. 测试 scikit-learn print("\n[1] 测试 scikit-learn...") from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split iris = load_iris() X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=42) print(f" ✓ scikit-learn 版本: {sklearn.__version__}") print(f" ✓ 成功加载鸢尾花数据集，训练集大小: {X_train.shape}") # 2. 测试 OpenCV print("\n[2] 测试 OpenCV...") print(f" ✓ OpenCV 版本: {cv2.__version__}") # 创建一个简单的黑色图像并显示其属性 dummy_img = np.zeros((100, 100, 3), dtype=np.uint8) print(f" ✓ 成功创建测试图像，形状: {dummy_img.shape}") # 3. 测试 PyTorch & torchvision print("\n[3] 测试 PyTorch & torchvision...") print(f" ✓ PyTorch 版本: {torch.__version__}") print(f" ✓ Torchvision 版本: {torchvision.__version__}") print(f" ✓ CUDA 可用: {torch.cuda.is_available()}") # 创建一个简单的张量并进行运算 x = torch.tensor([1.0, 2.0, 3.0]) y = torch.tensor([4.0, 5.0, 6.0]) z = x + y print(f" ✓ 成功创建并运算张量，结果: {z}") # 测试 torchvision 数据集（示例） print(f" ✓ Torchvision 可用数据集示例: {dir(torchvision.datasets)[:5]}...") print("\n" + "=" * 40) print("✅ 所有核心库安装与导入测试成功！") print("=" * 40) if __name__ == "__main__": main() ``` 在激活的 `ml_env` 环境中运行该脚本： ```bash python test_env.py ``` 如果所有 `import` 语句均成功执行，并且打印出各库的版本信息和简单的功能验证结果，则表明环境配置成功。