# Windows环境下VSCode + Jupyter + Conda的AI学习环境配置指南

news2024/11/22 21:53:49

Windows环境下VSCode + Jupyter + Conda的AI学习环境配置指南

优点

1. 安装Anaconda

2. 安装Visual Studio Code

3. 在VSCode中配置Python环境

4. 安装和配置Jupyter

5. 创建和管理虚拟环境

6. 安装常用的AI/ML库

7. 测试环境

8. 常见问题及解决方案

优点

vscode 编辑能力强

conda 环境自动维护，不需要自己去找，直接指定环境即可

jupyter 牛

1. 安装Anaconda

Anaconda是一个开源的Python发行版，包含了conda、Python等180多个科学包及其依赖项。

1. 访问Anaconda官网下载Windows版安装包。
2. 运行下载的安装文件，按照安装向导进行安装。
- 建议安装路径不要包含空格或中文字符。
- 选择"为所有用户安装"（推荐）。
- 勾选"添加Anaconda到系统PATH环境变量"。
3. 安装完成后，打开命令提示符（CMD），输入`conda --version`确认安装成功。

2. 安装Visual Studio Code

VSCode是一个轻量级但功能强大的源代码编辑器。

1. 访问Visual Studio Code官网下载Windows版安装包。
2. 运行安装文件，按照向导进行安装。
- 建议勾选"添加到PATH"选项，方便从命令行启动VSCode。
3. 安装完成后，启动VSCode。

3. 在VSCode中配置Python环境

1. 在VSCode中，打开扩展商店（Ctrl+Shift+X）。
2. 搜索并安装以下扩展：
- Python
- Jupyter
3. 安装完成后，重启VSCode。

4. 安装和配置Jupyter

Jupyter已经包含在Anaconda安装中，但我们需要在VSCode中进行一些配置。

1. 打开VSCode。
2. 使用快捷键`Ctrl+Shift+P`打开命令面板。
3. 输入"Python: Select Interpreter"并选择。
4. 从列表中选择你的Anaconda Python环境。

5. 创建和管理虚拟环境

虚拟环境可以帮助你为不同的项目创建隔离的Python环境。

1. 打开Anaconda Prompt（从开始菜单搜索）。
2. 创建一个新的虚拟环境：

 conda create --name ai_env python=3.8

3. 激活环境：

conda activate ai_env

4. 在VSCode中，打开一个新的终端（Ctrl+`），确保它使用的是你刚创建的环境。

6. 安装常用的AI/ML库

在激活的虚拟环境中，安装以下常用库：

conda install numpy pandas matplotlib scikit-learn
conda install -c pytorch pytorch torchvision
conda install tensorflow

注意：根据你的需求，你可能需要安装其他特定的库。

pytorch 我推荐去官网直接复制命令，pytorch官网

7. 使用Conda安装Jupyter

7.1 打开Anaconda Prompt（从Windows开始菜单搜索）。

7.2 如果你想在特定的虚拟环境中安装Jupyter，先激活该环境：

conda activate your_environment_name

7.3 运行以下命令安装Jupyter：

conda install -c conda-forge jupyter

7.4 安装过程中，系统会提示你确认安装，输入 'y' 并按回车确认

7.5 安装完成后，你可以通过运行以下命令来验证安装：

jupyter --version

7.6 将该环境注册为Jupyter内核：

python -m ipykernel install --user --name=your_environment_name

8. 测试环境

1. 在VSCode中，创建一个新的Jupyter Notebook文件（.ipynb）。

2. 选择创建的内核：vscode 右上角

3. 在一个代码单元中输入以下代码并运行：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import sklearn
import torch
import tensorflow as tf

print(f"NumPy version: {np.__version__}")
print(f"Pandas version: {pd.__version__}")
print(f"Scikit-learn version: {sklearn.__version__}")
print(f"PyTorch version: {torch.__version__}")
print(f"TensorFlow version: {tf.__version__}")

plt.plot([1, 2, 3, 4])
plt.ylabel('some numbers')
plt.show()

4. 如果代码运行成功并显示版本信息和一个简单的图表，说明环境配置成功。