linux安装anaconda + jupyterlab + supervisor + R

本文详细指导如何通过yum安装相关库,使用Anaconda 2022.05进行JupyterLab的安装和配置,包括设置工作路径、端口、密码,以及用Supervisor进行自动管理,同时介绍了如何添加R支持。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1. anaconda安装

yum install libXcomposite libXcursor libXi libXtst libXrandr alsa-lib mesa-libEGL libXdamage mesa-libGL libXScrnSaver
# anaconda版本地址 https://repo.anaconda.com/archive/
wget https://repo.anaconda.com/archive/Anaconda3-2022.05-Linux-x86_64.sh
bash Anaconda3-2022.05-Linux-x86_64.sh # 建议不要安装在/root,建议装在/opt

2. 安装jupyterlab

# conda install -c conda-forge jupyterlab
pip install jupyterlab
jupyter lab --allow-root # 正常情况单机可以启动了

3. jupyterlab服务器配置,参考网址 https://zhuanlan.zhihu.com/p/356368541

jupyter lab --generate-config # 生成配置文件
# /root/.jupyter/jupyter_lab_config.py 

# 修改生成的配置文件内容,增加如下几行,

c.LabApp.workspaces_dir ='/workspace' # 设置启动jupyterlab的工作路径
c.ServerApp.root_dir = '/workspace'  

c.NotebookApp.ip='*'
c.NotebookApp.password = u'123'  # 此处的密码使用命令生成
c.NotebookApp.open_browser = False
c.NotebookApp.port =8989 #可自行指定一个端口, 访问时使用该端口



# 生成密码的命令,以下代码在ipython环境运行,输出的密码替换如上的c.NotebookApp.password,把123替换成下面的密码内容。

from notebook.auth import passwd
passwd()#输入两次密码,测试密码为1
# Out[1]: 'argon2:$argon2id$v=19$m=10240,t=10,p=8$Q2mXBvuqEVXfkW54VPyT0A$/Ylp54YEORYm82lGyitsVo50yXUML3LgRzSmvG529hs'

4. jupyterlab服务器启动,linux下使用supervisor管理启动

# 安装supervisor
pip install supervisor
# 生成配置文件
echo_supervisord_conf > /etc/supervisord.conf 
# 添加如下内容到配置文件/etc/supervisord.conf最后,这个目录可以用来存放supervisor启动程序的配置文件。

[include]
files = /etc/supervisor/conf.d/*.conf

# 在/etc/supervisor/conf.d/目录下添加jupyter.conf,内容如下。

[program:jupyterlab]
command=/root/anaconda3/bin/jupyter lab  --allow-root

# 启动supervisor和jupyter lab
sudo supervisord -c /etc/supervisord.conf  # 执行一次即可

# 如果遇到问题,可以修改配置文件后重新启动,命令如下
sudo supervisorctl reread & supervisorctl update # 修改文件后重启命令
supervisorctl status # 查看运行状态
supervisorctl restart jupyterlab

# supervisor 日志路径可以在配置文件中找到,一般为/tmp/supervisord.log

5. 启动后即可访问,访问网址为 ip:8989

6. 安装R支持

# 进入R里面运行如下命令

install.packages('IRkernel')
IRkernel::installspec(user = FALSE)


# 退出在控制台重启jupyterlab即可,再次进入launcher就可以看到R图标了。

supervisorctl restart jupyterlab

AnacondaJupyterLab和PyTorch环境中实现人脸识别任务通常需要以下步骤: 1. 安装必要的库:首先,确保你已经在Anaconda安装了基本的Python环境(如numpy、pandas等),然后安装PyTorch及其深度学习相关库(torch, torchvision)以及用于数据处理的scikit-image或PIL。对于机器学习任务,还需要安装scikit-learn。 ```bash conda install python numpy pandas torch torchvision scikit-image ``` 2. 数据准备:你需要人脸识别的数据集,比如LFW(Labeled Faces in the Wild)、CelebA等。可以使用`torchvision.datasets`加载预处理好的数据集,也可以自行下载并处理数据。 3. 数据预处理:将图像转换为统一尺寸,并可能对像素值进行归一化。PyTorch的`torchvision.transforms`模块可以帮助完成这一步。 4. 构建模型:选择一个人脸识别模型,例如基于卷积神经网络(CNN)的Siamese网络或者FaceNet。在PyTorch中,你可以从头构建,也可以使用预训练的模型进行迁移学习。 5. 训练模型:使用`nn.Module`类创建模型,并利用`DataLoader`将数据划分为训练集和验证集。通过`torch.optim`和`torch.nn.functional.loss`函数进行优化和损失计算。 ```python import torch from torch.utils.data import DataLoader from torchvision import models, datasets, transforms model = models.resnet18(pretrained=True) # Freeze layers for transfer learning for param in model.parameters(): param.requires_grad = False model.fc = nn.Linear(model.fc.in_features, num_classes) # Replace num_classes with your dataset size # Define loss function and optimizer criterion = nn.CrossEntropyLoss() optimizer = torch.optim.SGD(model.fc.parameters(), lr=0.001) train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True) ``` 6. 训练过程:遍历训练集,更新模型参数,同时在验证集上监控性能。 7. 测试模型:使用测试集评估模型的识别准确度。
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