無論是學習機器學習還是開發大型操作模型，其實工作站硬件并不是那么重要。

原因是不建議在工作站上安裝大型模型。

機器學習開發涉及許多小的測試，以便找出問題的初始答案，例如：

• 使用什么數據。
• 如何準備數據。
• 使用什么型號。
• 使用什么配置。

最終在工作站上的目標是找出要運行的實驗。我稱之為初步實驗，對于初步實驗使用較少的數據即適合硬件能力的小樣本數據，確保能輸出你要的結果就可以了。

如果使用的是深度學習方法，則需要 GPU 或者 TPU 硬件。一般企業會提供或者可以在云中以低廉的價格租用它，例如 AWS、阿里云、騰訊云、華為云等等。

從性能角度比工作站 (CPU) 更快，容量 (RAM) 更多，可以運行的初步小實驗的數據就越多或越大，并且從大型實驗中獲得的收益就越多。

我自己喜歡帶有大量 RAM 和大量內核的 PC 機器。例如這個是我機器的配置

總之：

• 工作站：使用您的數據的小樣本并找出要運行的大型實驗。
• 服務器：運行需要數小時或數天的大型實驗，并幫助您確定在操作中使用的模型。

文章目錄

• 安裝機器學習依賴項
• 機器學習編輯器

安裝機器學習依賴項

您必須安裝用于機器學習開發的庫依賴項。

在 Python 中，這可能是 Pandas、scikit-learn、Keras 等。不僅僅是安裝依賴項，您還應該有一個可重復的過程，以便您可以在幾秒鐘內再次設置開發環境，例如在新工作站和新服務器上。

我建議使用包管理器和腳本（例如 shell 腳本）來安裝所有內容。庫總是通過錯誤修復進行更新，因此更新專門安裝的庫（及其依賴項）。

• 安裝腳本：維護一個腳本，您可以使用該腳本重新安裝開發環境所需的一切。
• 更新腳本：維護一個腳本來更新機器學習開發的所有關鍵依賴項并定期運行它。

機器學習編輯器

機器學習開發的艱苦工作不是編寫代碼，而是正在處理未知數。例如：

• 使用什么數據。
• 如何準備數據。
• 使用什么算法。
• 使用什么配置。

編寫代碼是容易的部分，因為很多人已經把基礎的算法整合成各種第三發放依賴包。因此不需要花哨的 IDE，用一個就可以了。就個人而言，我使用并推薦 Sublime Text 和 Pycharm，其實其他任何類似的文本編輯器也能正常工作。

一些開發人員喜歡使用筆記本，例如 Jupyter Notebook。如果你是非特別專業的開發人員的話我推薦你使用，除此之外我不推薦它們。

為了學習機器學習和機器學習開發，我建議編寫可以直接從命令行或 shell 腳本運行的腳本或代碼。

例如 Python 腳本可以使用各自的解釋器直接運行。

在 Linux 服務器上運行深度學習實驗也類似，直接使用命令行的模式執行即可，例如：

# run experiments python -u myscript1.py >myscript1.py.log 2>&1 python -u myscript2.py >myscript2.py.log 2>&1 python -u myscript3.py >myscript3.py.log 2>&1 python -u myscript4.py >myscript4.py.log 2>&1 python -u myscript5.py >myscript5.py.log 2>&1

一旦您有了最終的模型（或一組預測），您就可以使用項目的標準開發工具將其集成到您的應用程序中。

也就是我們俗稱的做好的包嵌入到應用程序中。

總結

以上是生活随笔為你收集整理的轻松构建自己的Python开发环境，进入机器学习新世界的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。