# 機器學習開發環境 > 原文： [https://machinelearningmastery.com/machine-learning-development-environment/](https://machinelearningmastery.com/machine-learning-development-environment/) 用于機器學習的開發環境可能與用于解決預測建模問題的機器學習方法一樣重要。 一周幾次，我得到一個問題，如： > 您的機器學習開發環境是什么？ 在這篇文章中，您將發現我使用的開發環境，并建議開發人員應用機器學習。 閱讀這篇文章后，你會知道： * 工作站和服務器硬件在機器學習中的作用之間的重要區別。 * 如何確保以可重復的方式安裝和更新機器學習依賴項。 * 如何開發機器學習代碼并以不會引入新問題的安全方式運行它。 讓我們開始吧。  機器學習開發環境 攝影： [Mohamed Aymen Bettaieb](https://www.flickr.com/photos/130799750@N03/16169265087/) ，保留一些權利。 您的機器學習開發環境是什么樣的？ 請在下面的評論中告訴我。 ## 機器學習硬件 無論您是在學習機器學習還是正在開發大型操作模型，您的工作站硬件都無關緊要。 原因如下： > 我不建議您在工作站上安裝大型模型。 機器學習開發涉及許多小測試，以找出問題的初步答案，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，您在工作站上的目標是確定要運行的實驗。我稱之為初步實驗。對于初步實驗，請使用較少的數據：一個適合您硬件功能的小樣本。 較大的實驗需要幾分鐘，幾小時甚至幾天才能完成。它們應該在除工作站之外的大型硬件上運行。 這可能是服務器環境，如果您使用深度學習方法，可能使用 GPU 硬件。此硬件可能由您的雇主提供，或者您可以在云中廉價租用，例如 AWS。 確實，您的工作站速度越快（CPU），工作站的容量（RAM）越多，您可以運行的初步小型實驗越多或越大，您可以從更大的實驗中獲得的實驗越多。因此，盡可能獲得最好的硬件，但總的來說，使用你所擁有的東西。 我自己就像大型 Linux 機箱一樣，擁有大量內存和大量內核，可用于嚴肅的 R＆amp; D.對于日常工作，我喜歡 iMac，同樣擁有盡可能多的內核和盡可能多的 RAM。 綜上所述： * **工作站**。處理一小部分數據，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。 ## 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。 這主要是您正在使用的庫。 在 Python 中，這可能是熊貓，scikit-learn，Keras 等等。在 R 中，這是所有的包，也許是插入符號。 除了安裝依賴項之外，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（如 shell 腳本）來安裝所有內容。 在我的 iMac 上，我使用 macport 來管理已安裝的軟件包。我認為有兩個腳本：一個用于在新的 mac 上安裝我需要的所有軟件包（例如在工作站或筆記本電腦升級之后），另一個腳本專門用于更新已安裝的軟件包。 庫總是隨著錯誤修復而更新，因此更新特定安裝庫（及其依賴項）的第二個腳本是關鍵。 這些是 shell 腳本，我可以隨時運行，并且隨著我需要安裝新庫而不斷更新。 如果您需要有關設置環境的幫助，其中一個教程可能有所幫助： * [如何使用 Anaconda 設置用于機器學習和深度學習的 Python 環境](https://machinelearningmastery.com/setup-python-environment-machine-learning-deep-learning-anaconda/) * [如何在 Mac OS X 上安裝 Python 3 環境以進行機器學習和深度學習](https://machinelearningmastery.com/install-python-3-environment-mac-os-x-machine-learning-deep-learning/) * [如何使用 Python 3](https://machinelearningmastery.com/linux-virtual-machine-machine-learning-development-python-3/) 為機器學習開發創建 Linux 虛擬機 您可能希望在具有可重復環境方面將事情提升到新的水平，例如使用 [Docker](https://www.docker.com/) 等容器或維護您自己的虛擬化實例。 In summary: * **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所有內容。 * **更新腳本**。維護腳本以更新機器學習開發的所有關鍵依賴關系并定期運行。 ## 機器學習編輯器 我推薦一個非常簡單的編輯環境。 機器學習開發的艱苦工作不是編寫代碼;相反，它處理已經提到的未知數。未知數如： * 使用什么數據。 * 如何準備數據。 * 使用什么算法。 * 使用什么配置。 編寫代碼很容易，特別是因為您很可能使用現代機器學習庫中的現有算法實現。 因此，您不需要花哨的 IDE;它無法幫助您獲得這些問題的答案。 相反，我建議使用一個非常簡單的文本編輯器，它提供基本的代碼突出顯示。 就個人而言，我使用并推薦 [Sublime Text](https://www.sublimetext.com/) ，但任何類似的文本編輯器都可以正常工作。  機器學習文本編輯器的示例 一些開發人員喜歡使用筆記本，例如 [Jupyter](http://jupyter.org/index.html) 。我沒有使用或推薦它們，因為我發現這些環境對開發具有挑戰性;他們可以隱藏錯誤并為開發引入依賴性陌生感。 為了研究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，可以使用相應的解釋器直接運行 R 腳本和 Python 腳本。  運行機器學習模型的示例 有關如何從命令行運行實驗的更多建議，請參閱帖子： * [如何在 Linux 服務器上運行深度學習實驗](https://machinelearningmastery.com/run-deep-learning-experiments-linux-server/) 獲得最終模型（或預測集）后，可以使用項目的標準開發工具將其集成到應用程序中。 ## 進一步閱讀 如果您希望深入了解，本節將提供有關該主題的更多資源。 * [機器學習用計算機硬件](https://machinelearningmastery.com/computer-hardware-for-machine-learning/) * [如何使用亞馬遜網絡服務上的 Keras 開發和評估大型深度學習模型](https://machinelearningmastery.com/develop-evaluate-large-deep-learning-models-keras-amazon-web-services/) * [如何使用 Anaconda 設置用于機器學習和深度學習的 Python 環境](https://machinelearningmastery.com/setup-python-environment-machine-learning-deep-learning-anaconda/) * [如何在 Mac OS X 上安裝 Python 3 環境以進行機器學習和深度學習](https://machinelearningmastery.com/install-python-3-environment-mac-os-x-machine-learning-deep-learning/) * [如何使用 Python 3](https://machinelearningmastery.com/linux-virtual-machine-machine-learning-development-python-3/) 為機器學習開發創建 Linux 虛擬機 * [如何在 Linux 服務器上運行深度學習實驗](https://machinelearningmastery.com/run-deep-learning-experiments-linux-server/) ## 摘要 在這篇文章中，您發現了用于機器學習開發的硬件，依賴項和編輯器。 具體來說，你學到了： * 工作站和服務器硬件在機器學習中的作用之間的重要區別。 * 如何確保以可重復的方式安裝和更新機器學習依賴項。 * 如何開發機器學習代碼并以不會引入新問題的安全方式運行它。 What does your machine learning development environment look like? Let me know in the comments below. 你有任何問題嗎？ 在下面的評論中提出您的問題，我會盡力回答。