【零基础学AI】第1讲：Python开发环境配置

最新推荐文章于 2025-06-27 23:30:00 发布
最新推荐文章于 2025-06-27 23:30:00 发布
阅读量826 收藏 8
点赞数 23
CC 4.0 BY-SA版权
分类专栏： 0基础学AI 文章标签： 人工智能 python 开发语言
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。
本文链接：https://blog.csdn.net/wiyi9891/article/details/148864860

在这里插入图片描述

本节课你将学到

  • 理解为什么选择Python做AI开发
  • 成功安装Anaconda开发环境
  • 学会使用conda管理Python包
  • 搭建一个完整的AI开发环境
  • 运行你的第一个AI程序

开始之前

为什么学Python？

想象一下，如果编程语言是工具箱：

  • C语言就像手工工具，功能强大但使用复杂
  • Java就像电动工具，标准化但较为繁琐
  • Python就像瑞士军刀，简单好用，AI开发必备

Python在AI领域如此受欢迎的原因：

  1. 语法简单：接近自然语言，容易学习
  2. 库丰富：有现成的AI工具包，不用重复造轮子
  3. 社区活跃：遇到问题容易找到解决方案
  4. 行业标准：90%的AI项目都在用Python

环境要求

  • 操作系统：Windows 10/11、macOS 10.14+、或 Ubuntu 18.04+
  • 硬盘空间：至少5GB可用空间
  • 内存：建议8GB以上（4GB也能用，但会较慢）
  • 网络：能够访问互联网（下载安装包）

核心概念

什么是Anaconda？

把Python想象成一辆车，那么：

  • 纯Python：只有发动机的车，需要自己装轮子、座椅、方向盘
  • Anaconda：整车出厂，Python + 常用库 + 开发工具都配好了

Anaconda是Python的"全家桶"版本，包含：

  • Python解释器：运行Python代码的核心引擎
  • Jupyter Notebook：交互式编程环境（下节课详细讲）
  • 常用库：NumPy、Pandas、Matplotlib等（后面课程会用到）
  • 包管理器conda：安装和管理Python包的工具

什么是conda？

conda就像手机的应用商店：

  • 安装软件：conda install 包名 = 在应用商店下载APP
  • 卸载软件：conda remove 包名 = 删除APP
  • 查看已安装：conda list = 查看手机里的APP列表
  • 创建环境：为不同项目创建独立的"手机"（避免冲突）

安装实战

第一步：下载Anaconda

  1. 打开浏览器，访问：https://www.anaconda.com/download
  2. 选择你的操作系统（Windows/macOS/Linux）
  3. 下载Python 3.11版本（约500MB，耐心等待）
# 下载完成后，你会得到一个安装文件：
# Windows: Anaconda3-2023.xx-Windows-x86_64.exe
# macOS: Anaconda3-2023.xx-MacOSX-x86_64.pkg  
# Linux: Anaconda3-2023.xx-Linux-x86_64.sh

第二步：安装Anaconda

Windows用户：
  1. 双击下载的.exe文件
  2. 点击"Next"开始安装
  3. 重要：选择"Add Anaconda to my PATH environment variable"（添加到系统路径）
  4. 等待安装完成（约10-15分钟）
macOS用户：
  1. 双击下载的.pkg文件
  2. 按照向导完成安装
  3. 安装完成后，重启终端
Linux用户：
# 在终端中运行
bash Anaconda3-2023.xx-Linux-x86_64.sh
# 按回车阅读许可协议，输入yes同意
# 选择安装路径（默认即可）
# 询问是否初始化conda时，输入yes

第三步：验证安装

打开命令行工具：

  • Windows：按Win+R，输入cmd，回车
  • macOS：按Cmd+空格，输入terminal，回车
  • Linux：按Ctrl+Alt+T

输入以下命令验证：

# 检查Python版本
python --version
# 应该显示：Python 3.11.x

# 检查conda版本  
conda --version
# 应该显示：conda 23.x.x

# 检查已安装的包
conda list
# 应该显示很多已安装的包

⚠️ 如果出现"conda不是内部或外部命令"错误：

  1. 重启电脑
  2. 重新打开命令行
  3. 如果还是不行，需要手动添加环境变量（见常见问题解答）

环境管理实战

创建AI开发环境

为什么要创建独立环境？就像给不同项目准备不同的工具箱：

  • 基础环境：放常用工具，不轻易改动
  • AI项目环境：专门放AI相关的库，可以随意实验
# 创建名为'ai-learning'的新环境，Python版本3.11
conda create --name ai-learning python=3.11

# 激活环境（切换到这个工具箱）
conda activate ai-learning

# 确认当前环境
conda info --envs
# 会显示所有环境，当前环境前面有*号

安装常用AI库

# 确保在ai-learning环境中
conda activate ai-learning

# 安装数据处理库
conda install numpy pandas matplotlib

# 安装机器学习库
conda install scikit-learn

# 安装Jupyter Notebook（下节课会用）
conda install jupyter

# 验证安装
python -c "import numpy, pandas, matplotlib, sklearn; print('所有库安装成功！')"

完整项目：第一个AI程序

让我们用刚安装的环境运行一个简单的AI程序：

创建项目文件夹

# 创建项目文件夹
mkdir my_first_ai_project
cd my_first_ai_project

# 创建Python文件
# Windows用户可以用记事本，macOS/Linux用户可以用任何文本编辑器

编写代码

创建一个名为hello_ai.py的文件，输入以下代码：

# hello_ai.py - 我的第一个AI程序
# 这个程序使用机器学习来识别鸢尾花的品种

# 导入必要的库
import numpy as np  # 数值计算库
from sklearn import datasets  # 机器学习数据集
from sklearn.model_selection import train_test_split  # 数据分割工具
from sklearn.neighbors import KNeighborsClassifier  # K近邻分类器
from sklearn.metrics import accuracy_score  # 准确率计算

print("🎉 欢迎来到AI世界！")
print("=" * 50)

# 第1步：加载数据
# iris是经典的机器学习数据集，包含3种鸢尾花的特征数据
print("📊 正在加载鸢尾花数据集...")
iris = datasets.load_iris()
X = iris.data  # 特征数据（花瓣长度、宽度等）
y = iris.target  # 标签数据（花的品种）

print(f"数据集大小：{X.shape[0]}个样本，{X.shape[1]}个特征")
print(f"花的品种：{iris.target_names}")

# 第2步：分割数据
# 把数据分成训练集和测试集，就像考试前练习和正式考试
print("\n🔀 正在分割数据集...")
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42  # 20%用于测试
)
print(f"训练集：{len(X_train)}个样本")
print(f"测试集：{len(X_test)}个样本")

# 第3步：创建并训练AI模型
print("\n🧠 正在训练AI模型...")
# 使用K近邻算法，就像"物以类聚，人以群分"
model = KNeighborsClassifier(n_neighbors=3)
model.fit(X_train, y_train)  # 让模型学习训练数据
print("模型训练完成！")

# 第4步：测试模型
print("\n🎯 正在测试模型性能...")
predictions = model.predict(X_test)  # 让模型预测测试数据
accuracy = accuracy_score(y_test, predictions)  # 计算准确率

print(f"模型准确率：{accuracy:.2%}")

# 第5步：实际预测演示
print("\n🔮 让我们用AI预测一朵新花的品种...")
# 这是一朵新花的特征数据 [花萼长度, 花萼宽度, 花瓣长度, 花瓣宽度]
new_flower = np.array([[5.1, 3.5, 1.4, 0.2]])
predicted_species = model.predict(new_flower)
predicted_name = iris.target_names[predicted_species[0]]

print(f"花的特征：花萼长{new_flower[0][0]}cm，宽{new_flower[0][1]}cm")
print(f"         花瓣长{new_flower[0][2]}cm，宽{new_flower[0][3]}cm") 
print(f"AI预测结果：这是一朵 {predicted_name} 🌸")

print("\n🎉 恭喜！你已经成功运行了第一个AI程序！")
print("=" * 50)

运行程序

# 确保在正确的环境中
conda activate ai-learning

# 运行程序
python hello_ai.py

预期运行效果

运行成功后，你将看到类似这样的输出：

🎉 欢迎来到AI世界！
==================================================
📊 正在加载鸢尾花数据集...
数据集大小：150个样本，4个特征
花的品种：['setosa' 'versicolor' 'virginica']

🔀 正在分割数据集...
训练集：120个样本
测试集：30个样本

🧠 正在训练AI模型...
模型训练完成！

🎯 正在测试模型性能...
模型准确率：100.00%

🔮 让我们用AI预测一朵新花的品种...
花的特征：花萼长5.1cm，宽3.5cm
         花瓣长1.4cm，宽0.2cm
AI预测结果：这是一朵 setosa 🌸

🎉 恭喜！你已经成功运行了第一个AI程序！
==================================================

⭐太棒了！你刚刚：

  1. 成功搭建了AI开发环境
  2. 加载并处理了真实的机器学习数据
  3. 训练了一个AI模型
  4. 用AI模型进行了预测
  5. 获得了100%的准确率！

常见问题解答

Q1: 安装Anaconda时提示空间不足

原因： Anaconda需要约3-5GB空间
解决方法：

# 清理磁盘空间，或选择其他磁盘安装
# Windows: 在安装时选择其他驱动器
# macOS/Linux: 指定安装路径

Q2: conda命令找不到

原因： 环境变量未正确设置
解决方法：

# Windows解决方案：
# 1. 右键"此电脑" → 属性 → 高级系统设置 → 环境变量
# 2. 在Path中添加：C:\Users\你的用户名\anaconda3\Scripts
# 3. 重启命令行

# macOS/Linux解决方案：
echo 'export PATH="~/anaconda3/bin:$PATH"' >> ~/.bashrc
source ~/.bashrc

Q3: 运行程序时出现ModuleNotFoundError

原因： 没有激活正确的conda环境
解决方法：

# 激活AI学习环境
conda activate ai-learning

# 重新安装缺失的包
conda install 缺失的包名

Q4: 程序运行缓慢

原因： 电脑配置较低或后台程序过多
解决方法：

  • 关闭不必要的程序
  • 重启电脑后再运行
  • 如果是老电脑，这是正常现象，耐心等待

Q5: 想卸载重装怎么办？

# 卸载Anaconda
# Windows: 控制面板 → 卸载程序 → 找到Anaconda卸载
# macOS: 删除~/anaconda3文件夹
# Linux: rm -rf ~/anaconda3

# 然后重新按步骤安装

环境管理小贴士

常用conda命令速查

# 环境管理
conda create --name 环境名 python=3.11  # 创建环境
conda activate 环境名                    # 激活环境
conda deactivate                       # 退出当前环境
conda env list                         # 查看所有环境
conda remove --name 环境名 --all         # 删除环境

# 包管理
conda install 包名                      # 安装包
conda remove 包名                       # 卸载包
conda list                             # 查看已安装包
conda update 包名                       # 更新包
conda search 包名                       # 搜索包

保持环境整洁的建议

  1. 为每个项目创建独立环境：避免包冲突
  2. 定期清理不用的环境：节省磁盘空间
  3. 记录重要环境的包列表：便于重建环境
# 导出环境配置
conda env export > environment.yml
# 从配置文件创建环境
conda env create -f environment.yml

下节课预告

第2讲我们将学习Jupyter Notebook的使用，这是AI开发者最喜欢的编程环境：

  • 像写文档一样写代码
  • 代码和结果可以保存在一起
  • 支持图表、图片的直接显示
  • 是数据科学家的必备工具

准备好在更友好的环境中继续我们的AI学习之旅吧！

⭐恭喜完成第1讲！
你已经成功迈出了AI学习的第一步，拥有了一个完整的Python AI开发环境。记住，万丈高楼平地起，扎实的基础是成功的关键！

1.Python简介&&开发环境配置&&工具准备
孤寒者的博客
01-25 29万+
1.Python简介&&开发环境配置&&工具准备
15分钟学Python 第1天：Python简介与环境配置
weixin_40780178的博客
09-11 1519
Python由荷兰程序员Guido van Rossum于1989年开发，并于1991年首次发布。简洁易读：Python的语法设计清晰，使得代码容易读懂和维护。可扩展性：支持多种编程范式，包括面向对象、函数式和命令式编程。丰富的库：Python拥有丰富的标准库和第三方库，使得编程效率大大提高。社区支持：Python拥有一个强大而活跃的社区，提供大量的文档、教程和解决方案。通过今天的学习，您已经了解到Python的基本概念，完成了环境的搭建，并成功运行了第一个程序。这为后续学习打下了基础。
【AI基础】第一步：安装python开发环境-windows篇
旭日跑马踏云飞的专栏
04-28 1644
工欲善其事 必先利其器，本篇讲如何安装python并安装python开发工具pycharm，最终输出python版本的helloworld。
Python环境搭建：从零开始配置开发环境
码农垦荒笔记
06-06 1401
本文是一份面向初学者的Python环境搭建全指南，从安装到虚拟环境配置，帮助开发者快速搭建高效、稳定的开发环境。
AI学习第一步：Python环境搭建
m0_59236602的博客
01-24 1420
2.Anaconda介绍3.miniconda介绍。
【AI基础】第一步：安装python开发环境-conda篇
旭日跑马踏云飞的专栏
05-08 1663
通过conda来配置python环境，同时安装python开发工具pycharm，最终输出python版本的helloworld。
【VScode】如何在VSCode中配置Python开发环境：从零开始的完整指南
热门推荐
万物皆有灵
11-07 6万+
在当今的编程世界中，选择一个合适的集成开发环境（IDE）至关重要。Visual Studio Code（VSCode）凭借其开源、跨平台、模块化、插件丰富等特点，成为了众多开发者的首选。作为微软的“私生子”，VSCode不仅启动迅速、界面美观，而且可高度定制，极大地提升了开发效率。尤其是在Python开发中，VSCode的表现更是令人惊艳。今天，我们将深入探讨如何在VSCode中配置Python开发环境，让你轻松上手Python编程之旅！🐍。
【Python基础教程】第一章：Python入门与环境搭建
专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域，希望和大家共同进步！
05-06 1160
摘要：本文作为 Python 基础教程开篇，系统介绍 Python 入门与环境搭建知识。先阐述 Python 简洁、动态类型等语言特点，对比其与 Java、C++ 在多领域的应用差异；接着详细说明从官网或 Anaconda 安装 Python 的步骤，以及 VSCode、PyCharm 等开发环境的配置方法；随后以经典 “Hello World!” 程序为例，演示在 IDLE 和 PyCharm 中的运行过程，并设置基础与进阶练习题及答案辅助学习。通过本文，助力初学者快速掌握 Python 入门核心知识。
零基础学python：超详细的入门教程！
2301_78096295的博客
05-22 2万+
Python它是一种直译式，面向对象，解释式的脚本语言。它和Java,C/C++,Go语言一样都是高级语言，但由于它是解释式语言，所以运行速度会比Java，C/C++等语言慢（虽说隔壁Go也是解释式语言，但比它快很多）。不过任何事物有利也有弊，Python因为自身携带了许多库（如：OS、TCP、Urllib、Trutle)，语法简单，第三库也有很多（如飞机大战所需的pygame)，所以被称为胶水语言，同时也深受开发者青眯
零基础学AI-python语言：基础知识(课件部分)
11-03
Python作为一种高级编程语言，不仅拥有强大的标准库支持，还拥有活跃的社区和丰富的第三方库，是学习人工智能、机器学习、大数据处理以及一般编程入门的优秀选择。无论是初学者还是经验丰富的开发者，都能在Python的...
AI基础：Python开发环境设置和小技巧.pdf
09-02
本篇文章将详细讲解如何在Windows操作系统下设置Python开发环境，特别是涉及Anaconda的安装配置、Jupyter Notebook的使用以及一些实用的小技巧。 首先，我们来看Anaconda的安装。Anaconda是一个开源的Python发行版...
第一讲：Python环境搭建与使用_python教程_
09-29
Python是一种广泛应用于数据分析、机器学习、网络开发以及自动化任务的高级编程语言。...通过学习，你将能够熟练地配置Python环境，运用相关库进行数据处理和分析，为后续的深度学习、人工智能等领域打下坚实的基础。
AI基础：Python开发环境设置和小技巧.zip
10-04
在AI领域，Python语言是首选的开发工具，其丰富的库...以上就是Python开发环境的设置和一些实用技巧，掌握这些知识将为你的AI之旅打下坚实的基础。在实践中不断学习和探索，你会发现Python是一个极其灵活且强大的工具。
什么是车检器
qq_15821487的博客
06-23 564
通常指代所有用于检测车辆存在、位置、速度、流量等交通信息的设备。在高速公路或城市道路上，各种基于不同技术原理的车辆检测设备（如环形线圈、微波雷达、视频检测器等）都可以被称为“车检器”，因为它们的核心功能都是采集交通数据并服务于交通管理。”，其分类依据技术原理（如电磁感应、雷达、视频等），而非安装位置或具体形态。因此，无论设备部署在高速公路还是城市道路，只要其功能符合“车辆检测”，均可称为车检器。根据知识库中的描述（如[1][2][8]），车检器的标准定义是“
正面吊箱号识别系统：未来港口智能化发展的核心驱动力
FuWeiZhiNeng的博客
06-23 515
港口智能化转型加速，高清集装箱号码识别系统成为核心驱动力。该系统采用AI+OCR技术，在复杂环境下实现99%识别率，20毫秒快速响应，并支持ISO代码自动校验。通过对接TOS系统，实现从单点识别到全流程协同管理，赋能自动化作业、精细化管理及一体化安防。随着5G和物联网发展，该系统将结合数字孪生等技术，推动港口从机械化向智能化跨越，成为全球物流升级的关键引擎。
Few-Shot革命：PhotoDoodle艺术图像编辑实战——零样本门槛玩转3D/流体/手绘特效
ttsta的博客
06-23 1713
PhotoDoodle 通过 LoRA 轻量化模块技术，实现一键生成多样化前沿艺术效果：包括 3D 立体注入、流体色块生成、手绘线稿提取、材质纹理转换（金属/水等）、艺术风格化渲染（油画/漫画等）及光影氛围重塑（赛博朋克/梦幻感）。它能够仅从少量（甚至是个位数）精心配对的示例图像（即一张原始图片和对应的经过特定艺术处理后的图片）中，高效地“学习”到这种艺术编辑转换的本质规律。它并非一个传统的通用图像处理工具，而是旨在解决一个关键挑战：如何利用极少的“教学”示例，让AI学会并应用复杂的艺术编辑效果。
深度学习在智能城市中的创新应用与未来趋势
qq_74383080的博客
06-25 508
在当今数字化时代，智能城市的发展正以前所未有的速度推进，而深度学习技术作为人工智能的核心力量，正在为智能城市的建设带来新的突破和创新。从交通管理到能源优化，从公共安全到环境监测，深度学习的应用正在逐步提升城市的智能化水平和居民的生活质量。本文将探讨深度学习在智能城市中的创新应用，并展望其未来的发展趋势。
PyWavelets
最新发布
shangjg3的博客
06-27 24
PyWavelets（pywt）是Python中用于小波变换的核心库，提供了丰富的信号处理和图像处理功能。
快速傅里叶变换(FFT)是什么？
guigenyi的专栏
06-26 851
快速傅里叶变换（FFT）是高效计算离散傅里叶变换（DFT）的算法，将复杂度从O(N²)降至O(N logN)。通过分治策略和对称性优化，FFT使数字信号频域分析变得实用，广泛应用于信号处理（频谱分析、滤波）、图像处理（压缩、滤波）、音频处理及科学计算等领域。其核心价值在于将原本计算量巨大的DFT转化为高效运算，为现代数字技术（如通信、多媒体）奠定了基础，成为数字信号处理最重要的算法之一。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值