在 Ubuntu 系统上搭建 Python 机器学习开发环境，虽然看起来流程较多，但实际上只需完成几个核心步骤：更新系统软件包、配置 Python 包管理工具 pip、创建虚拟环境隔离项目依赖，然后批量安装 NumPy、scikit-learn、TensorFlow 等主流库即可。接下来将逐步演示每个操作，确保每一步都有明确依据。
1. 更新系统软件包索引
开始配置之前，先确保系统软件包列表为最新状态，以避免后续安装时因版本过旧而引发依赖冲突。打开终端并执行以下命令：
sudo apt update
2. 安装 Python 3 与 pip 包管理器
Ubuntu 通常已预装 Python 3，但建议确认其版本不低于 3.6，以确保兼容性。随后安装 pip，它是 Python 包管理的核心工具：
sudo apt install python3 python3-pip
安装完成后，可通过以下命令验证环境：
python3 --version（查看 Python 版本号）
pip3 --version（确认 pip 是否正确安装）
3. 创建虚拟环境（强烈推荐）
不同项目所需的库版本可能相互冲突，使用虚拟环境将它们隔离是最佳实践。首先安装虚拟环境模块，然后创建环境：
sudo apt install python3-venv
python3 -m venv myenv（环境名称可自行修改）
激活虚拟环境后，终端提示符会显示环境名称（例如(myenv)），表明当前操作处于一个独立的隔离空间中：
source myenv/bin/activate
4. 安装常用机器学习库
接下来使用 pip 一次性安装机器学习所需的核心库，覆盖数据处理、模型构建和数据可视化：
- 基础库：
pip install numpy pandas matplotlib seaborn（NumPy 负责高效数值计算，pandas 用于数据清洗与处理，Matplotlib 和 Seaborn 提供强大的数据可视化功能） - 传统机器学习库：
pip install scikit-learn（包含线性回归、决策树、支持向量机等经典算法） - 深度学习库：
- TensorFlow（支持 CPU/GPU 加速）：
pip install tensorflow - PyTorch（同样支持 CPU/GPU，版本需根据显卡驱动选择）：
pip install torch torchvision torchaudio
- TensorFlow（支持 CPU/GPU 加速）：
5. 验证库安装是否成功
要确认各库是否安装正确，运行一段简单的测试代码即可。以下示例加载 MNIST 数据集，构建一个简单的神经网络并训练 5 个 epoch：
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
# 加载MNIST数据集
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0 # 归一化到0-1区间
# 构建神经网络模型
model = keras.Sequential([
layers.Flatten(input_shape=(28, 28)), # 将28×28图像展平为一维
layers.Dense(128, activation='relu'), # 全连接层，包含128个神经元
layers.Dense(10, activation='softmax') # 输出层，对应10个数字类别
])
# 编译模型
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
# 训练模型
model.fit(x_train, y_train, epochs=5)
# 评估模型
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f'Test accuracy: {test_acc * 100:.2f}%')如果测试准确率在 97%~98% 左右，说明环境已成功搭建并可正常运行。
6. 更新与管理已安装的库
机器学习库版本更新频繁，及时升级可以修复已知 bug 并获取新功能：
- 更新单个库：
pip install --upgrade（例如pip install --upgrade numpy） - 批量更新所有库：先运行
pip list --outdated查看哪些库可更新，然后执行pip freeze --local | grep -v '^-e' | cut -d = -f 1 | xargs -n1 pip install -U进行统一升级。
7. 处理特殊依赖（可选步骤）
部分库需要额外的系统级支持，具体包括：
- CUDA/cuDNN：如需使用 TensorFlow 或 PyTorch 的 GPU 加速功能，需根据 NVIDIA 显卡驱动安装对应版本的 CUDA 工具包和 cuDNN 库（官方文档提供了详细安装指南）。
- 其他常用库：OpenCV 用于计算机视觉任务，可通过
pip install opencv-python安装；Jupyter Notebook 提供交互式开发环境，使用pip install jupyter安装。根据实际需求添加即可。
8. 可选：使用 Anaconda 简化环境管理
如果不想手动管理虚拟环境，Anaconda 提供了更便捷的方案——内置 conda 包管理器与 Jupyter Notebook。安装步骤同样简单：
- 下载最新的 Anaconda 安装脚本（以 2024.02 版本为例）：
wget https://repo.anaconda.com/archive/Anaconda3-2024.02-1-Linux-x86_64.sh - 运行安装脚本，按提示接受许可协议并设置安装路径：
bash Anaconda3-2024.02-1-Linux-x86_64.sh - 安装完成后，conda 会自动添加到系统 PATH 中，可通过
conda --version验证。 - 创建名为
myenv的环境并指定 Python 3.8 版本：conda create -n myenv python=3.8 - 激活环境：
conda activate myenv - 安装库时直接使用
conda install numpy pandas matplotlib，conda 会自动处理依赖关系。
