Ubuntu Python机器学习应用

在 Ubuntu 上使用 Python 开展机器学习，其实没有想象中那么复杂。只要把环境搭好、依赖管好，剩下的就是跑模型、调参数的事情了。下面直接进入正题，从系统准备到GPU加速，一步步拆解。

一、环境准备与基础安装

首先，把系统更新到最新，顺手装上基础工具：
sudo apt update && sudo apt upgrade -y
然后安装 Python 3 和 pip：
sudo apt install python3 python3-pip
虚拟环境工具也推荐装上，后面隔离项目依赖时会省很多事：
sudo apt install python3-venv

硬件方面，如果只是跑些小样本、传统模型，其实门槛很低。以 Ubuntu 24.04 LTS 为例，建议的基线是这样的：

• 处理器：64位CPU，至少2核，4核以上更稳妥
• 内存：8GB起步，做深度学习建议16GB以上
• 存储：20GB可用空间，SSD会更舒服
• 显卡：可选，但如果要用NVIDIA GPU加速，显存至少4GB

最后验证一下安装结果：
python3 --version
pip3 --version
没问题就继续往下走。

二、创建隔离环境与依赖管理

项目环境隔离是机器学习的第一道保险。轻量场景用 Python 自带的 venv 就够了：
python3 -m venv venv
激活它：
source venv/bin/activate
退出时直接 deactivate。

如果是数据科学老手，或者需要方便管理 GPU 版本包，conda 是更趁手的工具。安装 Miniconda 或 Anaconda，比如：
wget https://repo.anaconda.com/archive/Anaconda3-2024.05-Linux-x86_64.sh && bash Anaconda3-2024.05-Linux-x86_64.sh
然后创建专属环境：
conda create -n ml_env python=3.10
激活：
conda activate ml_env

环境准备好后，安装常用依赖（记得在激活的环境里执行）：

• 机器学习基础栈：pip install numpy pandas scikit-learn matplotlib seaborn jupyter
• 图像处理：pip install opencv-python
• 深度学习框架二选一或并存：
  CPU版 PyTorch：conda install pytorch torchvision torchaudio cpuonly -c pytorch
  GPU版 PyTorch（以CUDA 11.8为例）：conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia
  TensorFlow：pip install tensorflow（GPU支持需提前配好CUDA/cuDNN）

三、快速上手示例

光说不练假把式，来看两个实例。

示例一：传统机器学习（scikit-learn 线性回归）

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
import numpy as np

X = np.random.rand(100, 1)
y = 2 + 3 * X + 0.1 * np.random.randn(100, 1)

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
model = LinearRegression()
model.fit(X_train, y_train)
y_pred = model.predict(X_test)

print("MSE:", mean_squared_error(y_test, y_pred))

这个示例生成100个样本，训练一个简单的线性模型，输出均方误差。

示例二：深度学习（TensorFlow/Keras 训练 MNIST）

import tensorflow as tf
from tensorflow.keras import Sequential
from tensorflow.keras.layers import Dense, Flatten

(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model = Sequential([
    Flatten(input_shape=(28, 28)),
    Dense(128, activation='relu'),
    Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])
model.fit(x_train, y_train, epochs=5, verbose=2)

test_loss, test_acc = model.evaluate(x_test, y_test, verbose=0)
print(f"Test accuracy: {test_acc:.4f}")

跑完5个epoch，手写数字识别的准确率通常能到97%以上。

运行方式很灵活：如果习惯写脚本，直接用 python3 ml_project.py；如果喜欢交互式探索，启动 Jupyter：jupyter notebook，在浏览器里逐格执行。

四、GPU配置与常见问题

想用GPU加速？先检查驱动和工具链是否到位：
nvidia-smi
这条命令会显示CUDA版本和GPU型号。如果没有输出，就得先装NVIDIA驱动。

深度学习的GPU环境，建议直接用conda安装对应CUDA/cuDNN的PyTorch或TensorFlow版本，这样能最大限度避免兼容性噩梦。

另外，有些编译类包（比如NumPy、SciPy）在安装时可能需要构建依赖，提前装好这些能省不少麻烦：
sudo apt install build-essential python3-dev gfortran libatlas-dev liblapack-dev

最后几个实用提醒：

• 混用pip和conda的包缓存容易翻车，尽量在各自环境里用对应的包管理器。
• 桌面用户可以用Anaconda Na vigator可视化地管理环境和启动Jupyter，比较省心。
• 运行示例前一定要确认虚拟环境已激活——命令行提示符前面应该显示 (venv) 或 (ml_env)，否则依赖全装错地方了。