如何在 Visual Studio Code 中设置和运行机器学习
如何在 Visual Studio Code 中设置和运行机器学习
如何在 Visual Studio Code 中设置和运行机器学习
VS Code 的市场充满了基本上所有编程目的的扩展，无论是自动完成代码片段还是增强代码的可读性，它都包含各种选项或服务作为扩展。通常，大多数机器学习项目在 Jupyter notebook 或 Google Collaboratory 中开发为“.ipynb”。但是，Visual Studio Code 在编程代码编辑器中功能强大，并且还具有运行 ML 或数据科学代码的功能。
别忘了在这里关注我 中等的 以及更多技术爱好者的内容。
在 Visual Studio Code 中设置机器学习
1. 下载并安装 Python
您需要的主要是在您的系统中安装 Python。 Python 是一种开源编程语言，因此我们可以经常看到它的更新版本。但是，是否要更新现有的 Python 版本完全取决于您的意愿。但是 Python 3.x 可能是最合适的。
要在您的系统中安装 Python，请在搜索栏中输入“安装 Python”，打开第一个官方网站，您将被重定向到 https://www.python.org/downloads/
根据您的操作系统下载可执行文件。
目前可用的最新 Python 版本是 3.10，而 Python 3.11 正在发布中。
一旦安装了可执行文件，运行它，并允许它以管理员身份运行。
确保您选中了“将 Python 添加到 PATH”框，因为这会减少您在系统环境变量中手动添加 Python 可执行文件的工作。
默认情况下，Python 安装在 Programs 文件夹下的 C 目录中。如果要更改此位置，则可以选择“自定义安装”选项。
2. 下载并安装 VS 代码
下一个主要工具当然是 Visual Studio Code 本身。再次，您可以输入“Visual Studio Code”，您将看到官方网站，即 https://code.visualstudio.com/download
根据您的操作系统类型选择下载选项。
在 Windows 的情况下，您可以下载系统安装程序。
运行可执行文件。
- 接受协议。
- 如果您不想将其安装在此处提到的默认文件夹中，请单击“浏览”选择文件夹。
3. 下一个选项包含您希望如何在开始菜单中指定 Visual Studio 代码。这完全是命名法的一部分，您可以根据自己的意愿命名。默认情况下，它是“Visual Studio Code”。如果您不想创建开始菜单文件夹，可以选中底部的框。
4. 通常，最好选中此下一个选项菜单的每个框。
因为用代码打开要容易得多。您无需在 VS Code 中手动导入文件。使用代码打开会在编辑器本身的新窗口中打开文件夹下的所有文件。桌面图标是完全可选的。为了便于访问，对其进行了检查。最后两个框默认选中，建议保留它们以减少额外的工作。
4.这是你选择的，你可以验证并运行安装命令。
至此，VS Code 已安装完毕，打开它，接受所有协议，然后开始使用。
3. 设置 VS Code 扩展
在左侧，您将看到此图标。其中，倒数第二个是Extensions。单击它，将出现一个搜索栏，输入“Python”。对于 Visual Studio Code 中的 ML，Python 的扩展是必须的。
您会看到各种不同的扩展，其中，选择第一个并单击绿色按钮上的“安装”选项。
这些是扩展细节。您可以看到它目前处于安装阶段。您可以阅读有关它的详细信息。
扩展程序已安装。
现在，有两种方法可以在 Visual Studio Code 中编写 ML：
- 您可以创建一个虚拟环境，需要通过命令行使用 pip 从其中下载所有必需的模块。
- 如果你在 VS Code 中安装了 anaconda 或 miniconda，你可以直接创建一个文件并开始编写代码。
4. 设置 Anaconda
要安装 anaconda，请从 https://www.anaconda.com/products/distribution 根据您的操作系统类型。所有 ML 包都需要 Anaconda，因为这些包是在 Visual Studio Code 中运行 ML 所必需的。现在，让我们看看在我们的系统中设置 anaconda 的步骤：-
1.运行可执行文件
2. 同意协议。
3. 根据可访问性选择权限。
4.选择位置，建议保持默认。
5. 我更喜欢将 anaconda 添加到路径中，您还必须检查选项 2 以运行 VS 代码。
6. 点击安装。
这部分是安装 anaconda。
这个 anaconda 安装将帮助我们在 Visual Studio Code 中为我们的 ML 创建一个虚拟环境。
5. 为机器学习项目创建虚拟环境
第 1 步：打开 anaconda 命令提示符。
您可以从开始菜单中搜索它，以防它在桌面上不可用。
第二步：进入cmd，输入：
conda create -n myenv python=3.9 pandas jupyter seaborn scikit-learn keras tensorflow
按 Enter。
该命令将完成其功能。
几秒钟内，您将在屏幕上看到一个问题，说明该过程是否可以继续，在此处输入“y”。
按 Enter。
现在将开始提取和下载包。
所有这些包都是为 Jupyter 下载的，因此不需要单独下载任何包。
此过程需要几分钟才能完成。
第 3 步：在所需位置为您的项目创建一个文件夹。
命名它。
第 4 步：使用 VS Code 打开此文件夹。
进入文件夹并右键单击以打开选项菜单。选择“使用代码打开”。
第 5 步：创建新文件。
当您进入 VS 代码时，单击“新建文件”并创建一个扩展名为 .ipynb 的新笔记本，或者您可以打开命令面板或 Ctrl+Shift+P 并选择“Jupyter：创建新的 Jupyter 笔记本”。
重命名并保存文件。
欢呼！所有设置，现在您可以在那里看到交互式 jupyter 窗口。
第 6 步：选择内核
默认情况下，您的 Python 解释器将被选中，但我们需要将其更改为我们之前创建的 anaconda 环境。
注意：我建议您在选择内核后立即运行基本的 python 命令，因为可能会有一些称为 win32api 的东西成为中间的障碍。
万一发生这种情况，请尝试重新安装它，如果您正在像上面一样处理 anaconda 环境，请尝试运行此命令
康达安装-n<env name> pywin32 --force-reinstall
在 Python 的情况下，您可以使用：
python -m pip install pywin32
在 Visual Studio Code 中运行机器学习：
我们正在为 Iris 数据集绘制图表。
鸢尾花数据集是机器学习中最常见的数据集之一。
您可以从以下位置下载数据集 这里。
1. 让我们导入并检查数据集。
将 numpy 导入为 np
将熊猫导入为 pd
将 matplotlib.pyplot 导入为 plt
数据 = pd.read_csv("Iris.csv")
打印 (data.head(10))
2. 单击 Ctrl+Enter 运行单元。
数据集分别由萼片和花瓣的长度、宽度和组成。
将熊猫导入为 pd
将 matplotlib.pyplot 导入为 plt
iris = pd.read_csv("Iris.csv")
plt.plot(iris.Id, iris["SepalLengthCm"], "r--")
plt.show
该图是 SepalLength。
你能看到代码运行得多么轻松吗？这不是 Jupyter，而是您的 VS Code。
3. 现在，我们将看到一个散点图
iris.plot(kind ="scatter",
x ='SepalLengthCm',
y ='花瓣长度厘米')
plt.grid()
4. 最后，我们将尝试在这里实现 Seaborn。
将 seaborn 导入为 sns
iris = sns.load_dataset('iris')
sns.set_style("whitegrid")
sns.FacetGrid（虹膜，色调=“物种”，
高度 = 6).map(plt.scatter,
'sepal_length',
'petal_length').add_legend()
如果您的系统中没有安装 seaborn，请使用
点安装seaborn
而已。
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明
