Sådan kommer du i gang med Python til dyb læring og datalogi

En trin-for-trin guide til opsætning af Python til en komplet begynder

Du kan kode dit eget Data Science- eller Deep Learning-projekt på blot et par linjer kode i disse dage. Dette er ikke en overdrivelse; mange programmører derude har gjort det hårde arbejde med at skrive tonsvis af kode, som vi kan bruge, så alt hvad vi skal gøre er plug-and-play i stedet for at skrive kode fra bunden.

Du har muligvis set noget af denne kode på blogindlæg fra Data Science / Deep Learning. Måske har du måske tænkt: ”Nå, hvis det virkelig er så let, hvorfor prøver jeg det ikke selv?”

Hvis du er en nybegynder for Python, og du vil gå på denne rejse, vil dette indlæg guide dig gennem dine første trin. En almindelig klage, jeg hører fra komplette begyndere, er, at det er ret svært at konfigurere Python. Hvordan får vi alt i gang i første omgang, så vi kan plug-and-play Data Science eller Deep Learning-kode?

Dette indlæg guider dig trin for trin igennem, hvordan du konfigurerer Python til dine datalogi og dyb læringsprojekter. Vi vil:

  • Opret Anaconda og Jupyter Notebook
  • Opret Anaconda-miljøer og installer pakker (kode, som andre har skrevet for at gøre vores liv utroligt lette) som tensorflow, keras, pandaer, scikit-learning og matplotlib.

Når du har oprettet ovenstående, kan du opbygge dit første neurale netværk til at forudsige huspriser i denne vejledning her:

Byg dit første neurale netværk til at forudsige huspriser med Keras

Opsætning af Anaconda og Jupyter Notebook

Det vigtigste programmeringssprog, vi skal bruge, kaldes Python, som er det mest almindelige programmeringssprog, der bruges af dyb læringsudøvere.

Det første trin er at downloade Anaconda, som du kan tænke på som en platform for dig at bruge Python “ud af kassen”.

Besøg denne side: //www.anaconda.com/distribution/ og rul ned for at se dette:

Denne tutorial er skrevet specielt til Windows-brugere, men instruktionerne til brugere af andre operativsystemer er ikke så forskellige. Sørg for at klikke på "Windows" som dit operativsystem (eller hvilket OS du bruger) for at sikre dig, at du downloader den rigtige version.

Denne tutorial bruger Python 3, så klik på den grønne downloadknap under "Python 3.7-version". En pop op vises, hvor du kan klikke på "Gem" i det bibliotek, du ønsker.

Når den er færdig med at downloade, skal du bare gennemgå opsætningen trin for trin som følger:

Når installationen er færdig, skal du gå til din startmenu, og du skal se noget nyinstalleret software:

Klik på Anaconda Navigator, som er et one-stop-hub for at navigere i de apps, vi har brug for. Du skal se en forside som denne:

Klik på 'Start' under Jupyter Notebook, som er det andet panel på min skærm ovenfor. Jupyter Notebook giver os mulighed for at køre Python-kode interaktivt i webbrowseren, og det er her, vi skriver det meste af vores kode.

Et browservindue skal åbnes med din katalogoversigt. Jeg vil oprette en mappe på mit skrivebord kaldet “Intuitive Deep Learning Tutorial”. Hvis du navigerer til mappen, skal din browser se sådan ud:

Klik på Ny øverst til højre og vælg “Python 3”:

Et nyt browservindue skal dukke op sådan.

Tillykke - du har oprettet din første Jupyter-notesbog! Nu er det tid til at skrive noget kode. Jupyter-notesbøger giver os mulighed for at skrive kodestykker og derefter køre disse uddrag uden at køre hele programmet. Dette hjælper os måske med at se på mellemliggende output fra vores program.

Lad os begynde med at skrive kode, der viser nogle ord, når vi kører den. Denne funktion kaldes print . Kopier og indsæt koden nedenfor i det grå felt på din Jupyter-notesbog:

print("Hello World!")

Din notesbog skal se sådan ud:

Tryk nu på Alt-Enter på dit tastatur for at køre det kodestykke:

Du kan se, at Jupyter-notesbogen har vist ordene “Hello World!” på skærmpanelet under kodestykket! Nummer 1 har også udfyldt de firkantede parenteser, hvilket betyder, at dette er det første kodestykke, vi hidtil har kørt. Dette hjælper os med at spore den rækkefølge, som vi har kørt vores kodestykker i.

I stedet for Alt-Enter skal du bemærke, at du også kan klikke på Kør, når kodestykket er fremhævet:

Hvis du ønsker at oprette nye grå blokke til at skrive flere kodestykker, kan du gøre det under Indsæt.

Jupyter Notebook giver dig også mulighed for at skrive normal tekst i stedet for kode. Klik på rullemenuen, der i øjeblikket siger "Kode", og vælg "Markdown":

Nu har vores grå boks, der er mærket som markdown, ikke firkantede parenteser ved siden af ​​den. Hvis du skriver noget tekst i dette grå felt nu og trykker på Alt-Enter, gengives teksten som almindelig tekst som denne:

Der er nogle andre funktioner, som du kan udforske. Men nu har vi oprettet en Jupyter-notesbog, så vi kan begynde at skrive noget kode!

Opsætning af Anaconda-miljø og installation af pakker

Nu har vi konfigureret vores kodningsplatform. Men skal vi skrive Deep Learning-kode fra bunden? Det virker som en ekstremt vanskelig ting at gøre!

Den gode nyhed er, at mange andre har skrevet kode og gjort den tilgængelig for os! Med bidrag fra andres kode kan vi lege med Deep Learning-modeller på et meget højt niveau uden at skulle bekymre os om at implementere det hele fra bunden. Dette gør det ekstremt let for os at komme i gang med kodning af Deep Learning-modeller.

Til denne vejledning downloader vi fem pakker, som Deep Learning-praktikere ofte bruger:

  • Tensorflow
  • Keras
  • Pandaer
  • Scikit-lær
  • Matplotlib

Den første ting, vi vil gøre, er at skabe et Python-miljø. Et miljø er som en isoleret arbejdskopi af Python, så alt hvad du laver i dit miljø (såsom installation af nye pakker) ikke påvirker andre miljøer. Det er god praksis at skabe et miljø til dine projekter.

Klik på Miljøer i venstre panel, og du skal se en skærm som denne:

Klik på knappen "Opret" nederst på listen. En popup som denne skal vises:

Navngiv dit miljø, og vælg Python 3.7, og klik derefter på Opret. Dette kan tage et øjeblik.

Når det er gjort, skal din skærm se sådan ud:

Bemærk, at vi har skabt et miljø 'intuitiv-dyb-læring'. Vi kan se, hvilke pakker vi har installeret i dette miljø og deres respektive versioner.

Lad os nu installere nogle pakker, vi har brug for, i vores miljø!

De første to pakker, vi installerer, hedder Tensorflow og Keras, som hjælper os med plug-and-play-kode til Deep Learning.

På Anaconda Navigator skal du klikke på rullemenuen, hvor der i øjeblikket står "Installeret" og vælge "Ikke installeret":

En hel liste over pakker, som du ikke har installeret, vises sådan:

Søg efter "tensorflow", og klik på afkrydsningsfeltet for både "keras" og "tensorflow". Klik derefter på "Anvend" nederst til højre på skærmen:

Et pop op-vindue skal se sådan ud:

Klik på Anvend, og vent et øjeblik. Når det er gjort, har vi Keras og Tensorflow installeret i vores miljø!

Brug den samme metode, lad os installere pakkerne 'pandas', 'scikit-learn' og 'matplotlib'. Dette er almindelige pakker, som dataforskere bruger til at behandle dataene samt til at visualisere pæne grafer i Jupyter-notesbogen.

Dette er hvad du skal se på din Anaconda Navigator for hver af pakkerne.

Pandaer:

Scikit-lær:

Matplotlib:

Når det er gjort, skal du gå tilbage til "Hjem" i venstre panel på Anaconda Navigator. Du skal se en skærm som denne, hvor der står "Applikationer på intuitiv-dyb-læring" øverst:

Nu skal vi installere Jupyter-notesbogen i dette miljø. Så klik på den grønne knap "Installer" under Jupyter-notesbogens logo. Det vil tage et øjeblik (igen). Når installationen er færdig, skal Jupyter-notebookpanelet se sådan ud:

Klik på Start, og Jupyter notebook-appen skal åbnes.

Opret en notesbog, og skriv disse fem kodestykker, og klik på Alt-Enter. Denne kode fortæller den bærbare computer, at vi vil bruge de fem pakker, som du installerede med Anaconda Navigator tidligere i vejledningen.

import tensorflow as tf
import keras
import pandas
import sklearn
import matplotlib

Hvis der ikke er nogen fejl, så tillykke - du har alt installeret korrekt:

Nu hvor alt er klar, begynder vi at opbygge vores første neurale netværk her:

Byg dit første neurale netværk til at forudsige huspriser med Keras

En trin-for-trin komplet begyndervejledning til at opbygge dit første neurale netværk i et par kodelinjer som et dybt ... medium.com

Hvis du har haft problemer med et af ovenstående trin, er du velkommen til at kommentere nedenfor, så hjælper jeg dig!

Om forfatteren:

Hej der, jeg er Joseph! Jeg er for nylig uddannet fra Stanford University, hvor jeg arbejdede sammen med Andrew Ng i Stanford Machine Learning Group. Jeg vil gøre Deep Learning-koncepter så intuitive og så letforståelige som muligt for alle, hvilket har motiveret min publikation: Intuitive Deep Learning.