Linux上搭建AI开发环境

发表 admin at 2025年2月28日

类别

未分类

标签

人工智能 (AI) 是当今技术中最令人兴奋且发展最快的领域之一。借助人工智能，机器能够执行曾经需要人类智能才能完成的任务，例如图像识别、自然语言处理和决策。

如果您是初学者并想深入研究 AI 开发，Linux 是一个很好的操作系统选择，因为它功能强大、灵活且在 AI 社区中广泛使用。

在本指南中，我们将引导您完成在 Ubuntu 系统上设置 AI 开发环境的过程。

您需要什么才能开始

在开始之前，我们先回顾一下在 Linux 上设置 AI 开发环境所需的基本要素：

基本命令行知识：您应该对 Linux 终端和基本命令有一定的了解，因为您需要在其中运行命令。
Python：Python是最流行的AI开发语言，因为大多数AI库和框架都是用Python编写的，所以安装它是必不可少的。

准备好这些后，我们就开始设置您的环境。

第 1 步：更新您的系统

设置任何开发环境的第一步是确保您的系统是最新的，这将确保系统上的所有软件包都是最新版本，并且不会遇到任何兼容性问题。

要更新系统，请打开终端并运行以下命令：

sudo apt update && sudo apt upgrade -y

此过程完成后，您的系统就可以安装人工智能工具了。

第2步：在Ubuntu中安装Python

Python 是人工智能开发的首选语言，大多数人工智能框架（例如 TensorFlow 和 PyTorch）都是使用 Python 构建的strong>，因此必须将其安装在您的系统上。

要检查 Python 是否已安装，请运行：

python3 --version

如果安装了Python，您应该会看到版本号，例如Python 3.x.x。如果尚未安装，您可以通过运行以下命令来安装：

sudo apt install python3 python3-pip -y

安装 Python 后，您可以通过运行以下命令来验证安装：

python3 --version

您应该会看到显示的 Python 版本号。

第三步：在Ubuntu中安装AI库

安装了 Python 后，我们现在需要安装 AI 库来帮助您构建和训练机器学习模型。两个最流行的 AI 库是 TensorFlow 和 PyTorch，但还有其他库。

如果您正在开发多个人工智能项目，那么使用虚拟环境是一个好主意，因为它允许您隔离每个项目的依赖关系，这样它们就不会相互干扰。

sudo apt install python3-venv
python3 -m venv myenv
source myenv/bin/activate

1.在Ubuntu中安装TensorFlow

TensorFlow 是最广泛使用的人工智能框架之一，特别是在深度学习方面，它提供了用于构建和训练机器学习模型的工具。

要安装TensorFlow，请运行以下命令：

pip3 install tensorflow

2.在Ubuntu中安装PyTorch

PyTorch 是另一种流行的人工智能框架，尤其以其易用性和动态计算图而闻名，广泛用于研究和原型设计。

要安装PyTorch，请运行：

pip3 install torch torchvision

3.在Ubuntu中安装Keras

Keras 是一种在 TensorFlow 之上运行的高级神经网络 API，通过提供简单的界面，可以更轻松地构建和训练深度学习模型。

要安装 Keras，请运行：

pip3 install keras

Keras 默认包含在 TensorFlow 2.x 中，因此如果您已经安装了 TensorFlow，则无需安装 >Keras 单独。

4.安装Scikit-learn

对于不需要深度学习的机器学习任务，Scikit-learn 是一个很棒的库，它提供了分类、回归、聚类等工具。

要安装它，请运行：

pip3 install scikit-learn

5.在Ubuntu中安装Pandas和NumPy

Pandas 和 NumPy 是数据操作和分析的重要库，因为它们用于处理数据集和执行数学运算。

要安装它们，请运行：

pip3 install pandas numpy

步骤 4：安装 Jupyter Notebook（可选）

Jupyter Notebook 是一种基于 Web 的工具，可让您在交互式环境中编写和执行 Python 代码，它广泛用于 AI 开发中，用于试验代码、运行模型和可视化数据。

要安装 Jupyter Notebook，请运行：

pip3 install notebook

安装后，您可以通过运行以下命令启动 Jupyter Notebook：

jupyter notebook

这将在您的网络浏览器中打开一个新选项卡，您可以在其中创建新笔记本、编写代码并立即查看输出。

第 5 步：安装 GPU 驱动程序（可选，以加快 AI 开发速度）

如果您的系统上有兼容的NVIDIA GPU，则可以使用它来加速AI模型的训练，尤其是深度学习模型，需要大量的计算能力，而使用GPU可以大大减少训练时间。

要安装 NVIDIA 卡所需的 GPU 驱动程序，请运行：

sudo apt install nvidia-driver-460

安装完成后，重新启动系统以应用更改。

您还需要安装CUDA（计算统一设备架构）和cuDNN（CUDA深度神经网络库）启用 TensorFlow 和 PyTorch 使用 GPU。

您可以在 NVIDIA 网站上找到 CUDA 和 cuDNN 的安装说明。

第 6 步：测试您的设置

现在您已经安装了 Python、必要的 AI 库，并可以选择设置虚拟环境和 GPU 驱动程序，是时候测试您的设置了。

要测试 TensorFlow，请通过键入以下内容打开 Python 解释器：

python3

然后，导入 TensorFlow 并检查其版本：

import tensorflow as tf
print(tf.__version__)

您应该会在屏幕上看到 TensorFlow 的版本号。如果没有错误，则 TensorFlow 安装正确。

接下来，测试 PyTorch：

import torch
print(torch.__version__)

如果两个库都打印其版本号且没有任何错误，则您的设置已完成。

第 7 步：开始构建 AI 模型

设置好环境后，您现在可以开始构建 AI 模型。以下是如何使用 TensorFlow 和 Keras 创建基本神经网络的简单示例。

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

Define a simple model
model = Sequential([
    Dense(64, activation='relu', input_shape=(784,)),
    Dense(10, activation='softmax')
])

Compile the model
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

Summary of the model
model.summary()

此代码定义了一个简单的神经网络，具有一个隐藏层和一个用于分类的输出层。您可以使用 MNIST（手写数字）或 CIFAR-10（物体图像）等数据集来训练此模型。

结论

恭喜！您已在 Ubuntu 上使用 Python、TensorFlow、PyTorch、 成功设置 AI 开发环境Keras 和 Jupyter Notebook，您现在拥有开始构建和训练 AI 模型所需的所有工具。

当您继续人工智能之旅时，您可以探索更高级的主题，例如深度学习、强化学习和自然语言处理。有许多在线资源、教程和课程可以帮助您学习和提高技能。

请记住，人工智能开发是一个令人兴奋的领域，具有无限的可能性。无论您是想制造自动驾驶汽车、创建智能聊天机器人还是分析大数据，您在人工智能中培养的技能都将在许多技术领域发挥重要作用。

快乐编码，享受你的 AI 之旅！