【学习笔记】pycharm新建project时虚拟环境的选择和创建

1、新建project时虚拟环境的选择

NewProject时,图中1是Project workspace的路径;选择2时会新建一个虚拟环境(这样有多个项目时环境是独立的,避免相互影响);

系统安装的python解释器目录是3的位置;

如下图选择后,会在1的目录下新建一个venv文件夹,在这个文件夹里复制了一份3中的解释器。这个项目的解释器就使用该工程目录下的解释器。

之前pip下载的包在3系统的位置,新建的工程目录1中是没有之前安装的包,需要重新下载。

如果要使用之前pip下载的包,需要勾选以下的选择框;

2、使用什么方式创建虚拟环境

Virtualenv 在工程目录下自动新建一个venv文件夹;创建一个独立的虚拟环境;默认使用该选项;

Pipenv 一个包管理模块;

Conda 在conda环境下创建虚拟环境,venv文件夹在Anaconda下面,venv里面创建了一个工程目录文件夹;

 

 

 

 

### 如何配置用于机器学习的 Python 环境 为了构建一个适合机器学习开发的 Python 环境,可以按照以下方法进行操作: #### 1. 使用 Anaconda 进行环境搭建 Anaconda 是一个广泛使用的数据科学工具包,它集成了 Python 解释器以及大量常用的科学计算机器学习库。通过 Anaconda 可以轻松创建隔离的虚拟环境并安装所需依赖项。 - 安装 Anaconda:下载对应操作系统版本的 Anaconda 并完成安装过程[^1]。 - 创建新的虚拟环境:运行命令 `conda create --name ml_env python=3.6` 来创建名为 `ml_env` 的虚拟环境,并指定 Python 版本为 3.6 或 3.7,这是许多机器学习框架支持的最佳版本范围[^2]。 ```bash conda activate ml_env ``` 上述命令激活刚刚创建好的虚拟环境 `ml_env`[^4]。 #### 2. 安装必要的机器学习库 在激活后的环境中,可以通过 Conda 或 pip 工具来安装各种必需的库文件。以下是几个常见的例子及其用途说明: - NumPy Pandas:处理数值型数组与表格结构的数据分析工作; - Matplotlib/Seaborn:绘制图表可视化功能; - Scikit-Learn:提供经典的监督式及无监督式的算法实现; - TensorFlow/Keras 或 PyTorch:深度神经网络模型训练的核心组件之一; 例如,在终端输入如下指令即可快速获取 scikit-learn 库的支持: ```bash pip install numpy pandas matplotlib seaborn scikit-learn tensorflow pytorch ``` 注意某些特定硬件加速需求可能还需要额外考虑 CUDA/GPU 支持情况[^3]。 #### 3. IDE 设置 (可选) 对于更高效的编码体验来说,选择合适的集成开发环境(IDE)也非常重要。像 Jupyter Notebook/Lab 提供交互式笔记本界面非常适合探索性实验性质的任务执行;而 PyCharm 则以其强大的调试能力项目管理特性受到专业人士青睐。 如果选用 JetBrains 出品的 PyCharm,则需进入其设置菜单路径 ProjectprojectName -> Python Interpreter 中添加刚才新建出来的 conda 虚拟env作为目标解析引擎。 --- ### 示例代码片段展示如何验证当前环境下已成功加载sklearn模块 ```python import sklearn print(f"Scikit Learn Version: {sklearn.__version__}") ``` 此段脚本能帮助确认所处的工作空间里确实存在可用版本号的scikit learn软件包实例。
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