MAC系统机器学习环境配置常见问题

简介: MAC系统机器学习环境配置常见问题


自从换了Apple M1后,配置机器学习环境的过程中经常遇到各种问题,在此一并记录,会持续更新,希望大家收藏点赞。

系统环境: macOS BigSur v11.2.2

1. zsh: command not found: conda

问题

安装anaconda后,在终端输入conda后,显示

zsh: command not found: conda

原因

未配置环境路径

解决方法

  • 切换到超级用户
sudo su
  • 编辑.zprofile(在/Users/mac系统的用户名文件夹下,Mac OS Catalina版本需要编辑.zshrc)
vi .zprofile
  • 加入以下代码
export PATH=/opt/anaconda3/bin:$PATH
  • 保存后退出,执行
source .zprofile
  • 关闭Terminal,重新打开Terminal,输入
conda --version

确认配置成功。

2. conda安装软件包提示:EnvironmentNotWritableError

问题

使用conda 安装包时提示

EnvironmentNotWritableError

原因

用户权限不足

解决方法

  • Windows下Mac以管理员身份打开Anaconda Prompt (Anaconda3)
  • Mac下sudo su切换为超级管理员

3. 安装pip失败的解决办法

问题

在终端输入以下安装命令后

sudo easy_install pip

报错如下:

原因

Mac系统自带的为Python2,需手动安装Python3。

解决方法

brew install python3
  • 再次安装pip
sudo easy_install pip
  • 关闭Terminal,重新打开Terminal,输入
pip -V

确认配置成功。

4. cannot import name ‘imresize’ from ‘scipy.misc’

问题

执行

from scipy.misc import imread, imresize

报错如下:

cannot import name 'imresize' from 'scipy.misc'

原因

scipy版本问题:scipy是1.3.0以上不再支持函数imreadimresize

官网解释如下:

imresize is deprecated! imresize is deprecated in SciPy 1.0.0, and will be removed in 1.3.0. Use Pillow instead: numpy.array(Image.fromarray(arr).resize()).

解决方法

使用PILimageio库解决。

将原代码

from scipy.misc import imread, imresize
img1 = imread('test.png', mode='RGB')
img1 = imresize(img1, (224, 224))

替换如下

from PIL import Image
from imageio import imread
img1 = imread('test.jpg', pilmode='RGB')
img1 = np.array(Image.fromarray(img1).resize((224, 224)))

5. Anaconda 中matplotlib中文字体问题

问题

matplotlib画图,中文字体乱码。

原因

Mac系统下中文字体与Windows不同。

解决方法

使用Mac下的中文字体:

plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']

6. 启动Anaconda卡在loading applications

问题

系统环境:macOS BigSur v11.2.2

启动anaconda后,卡在 loading applications界面。

解决方法

在anaconda安装目录下找到conda_api.py文件,将

data = yaml.load(f)

修改为:

data = yaml.safeload(f)

再重新启动anaconda。

备注:如果未解决,在命令行下执行:

conda update anaconda-navigator

再重新启动anaconda。

相关文章
|
12天前
|
机器学习/深度学习 存储 运维
利用机器学习优化数据中心冷却系统
【5月更文挑战第20天】 在数据中心运营成本中,冷却系统占据了一大块。随着能源价格的上涨和环境保护意识的增强,如何降低数据中心的能耗成为行业关注的重点。本文通过引入机器学习技术来优化数据中心冷却系统,旨在减少不必要的能源消耗,同时保持适宜的操作温度。通过收集历史温度数据、服务器负载信息以及外部气象条件,构建了一个预测模型,该模型能够实时调整冷却策略,实现动态节能。实验结果表明,与传统冷却系统相比,应用机器学习优化后的系统在不影响性能的前提下,能够节约高达20%的能源消耗。
|
17天前
|
机器学习/深度学习 自然语言处理 Linux
【专栏】Linux 中的机器学习:Whisper适用于语音助手、翻译等领域,随着技术发展,其应用前景广阔
【4月更文挑战第28天】本文探讨了在Linux环境下,先进自动语音识别系统Whisper的运用与实现高效ASR。Whisper基于PyTorch,支持多语言识别,具有高准确性和实时性。文中介绍了安装配置Whisper的步骤,包括安装依赖、下载代码、配置环境变量及编译安装。通过数据准备、模型训练和识别,可实现语音识别功能。Whisper适用于语音助手、翻译等领域,随着技术发展,其应用前景广阔。
|
2天前
|
机器学习/深度学习 数据采集 搜索推荐
探索机器学习在个性化推荐系统中的应用
【5月更文挑战第30天】 随着数字内容的激增,个性化推荐系统成为缓解信息过载的关键工具。本文将深入探讨机器学习技术在构建高效个性化推荐系统中的核心作用,涵盖算法选择、数据处理及系统优化等方面。通过对比不同机器学习模型,如协同过滤、内容推荐以及混合方法,本文旨在为读者提供一套明确的指导框架,以实现更加精准和用户友好的推荐服务。
11 2
|
2天前
|
机器学习/深度学习 存储 传感器
利用机器学习优化数据中心冷却系统
【5月更文挑战第30天】 在数据中心的运行中,冷却系统的能效对整体运营成本有着显著的影响。随着人工智能技术的进步,特别是机器学习(ML)的发展,出现了新的机会来优化数据中心的能源使用效率。本文将探讨如何通过机器学习模型预测数据中心的热负荷,并据此动态调整冷却策略,以实现能耗最小化。我们将介绍所采用的数据集、预处理方法、模型选择、训练过程以及最终实施的策略。结果表明,基于机器学习的预测系统能够有效降低数据中心的能源消耗,并为可持续运营提供支持。
|
2天前
|
机器学习/深度学习 监控 算法
利用机器学习优化数据中心冷却系统
【5月更文挑战第30天】在数据中心的运营成本中,冷却系统占据了相当一部分。为了提高能效和降低成本,本文提出了一种基于机器学习的方法来优化数据中心的冷却系统。通过对大量历史数据的分析和挖掘,我们设计了一个预测模型,用于实时监控和调整数据中心的温度。实验结果表明,该方法可以有效降低能耗,提高数据中心的运行效率。
|
3天前
|
机器学习/深度学习 算法 数据中心
利用机器学习优化数据中心冷却系统
【5月更文挑战第29天】 在数据中心的运营成本中,冷却系统占据了显著的比重。随着能源价格的不断攀升以及可持续发展的需求日益增加,开发高效、节能的冷却技术变得至关重要。本文将探讨如何应用机器学习算法来优化数据中心的冷却系统性能。通过对历史温度和负载数据的分析,我们训练了一个预测模型来动态调整冷却需求,实现按需冷却。结果显示,使用机器学习方法可以有效减少能耗,同时保持适宜的操作环境。
|
3天前
|
机器学习/深度学习 搜索推荐 算法
探索机器学习在个性化推荐系统中的应用
【5月更文挑战第29天】随着大数据时代的到来,个性化推荐系统已成为解决信息过载问题的关键工具。本文深入探讨了机器学习技术在构建个性化推荐系统中的应用与挑战,重点分析了协同过滤、内容推荐及混合推荐等主流算法的原理和实现。同时,针对当前算法面临的冷启动问题、可扩展性问题以及隐私保护问题提出了可能的解决策略。通过实验对比,验证了不同算法在处理特定类型数据集时的性能表现,并对未来推荐系统的发展趋势进行了展望。
|
3天前
|
机器学习/深度学习 自然语言处理 搜索推荐
探索机器学习在个性化推荐系统中的应用
【5月更文挑战第29天】 随着数字内容的爆炸性增长,个性化推荐系统成为缓解信息过载现象的关键技术之一。本文将深入探讨机器学习技术在构建高效个性化推荐系统中的核心作用。首先,概述推荐系统的基本原理及其对现代服务业的重要性。随后,详细剖析机器学习模型如何通过学习用户行为、物品特征和上下文信息来优化推荐结果。文中还将展示几种主流的机器学习算法在推荐系统中的应用案例,包括协同过滤、内容推荐以及混合方法,并对每种方法的优势与局限性进行评估。最后,讨论了当前技术面临的挑战及未来发展趋势,为该领域的研究者和实践者提供参考。
|
3天前
|
机器学习/深度学习 数据采集 自然语言处理
基于机器学习的网络安全威胁检测系统
【5月更文挑战第29天】 在数字化时代,网络安全已成为一个不容忽视的问题。传统的安全防御手段往往依赖人工规则和特征匹配,难以应对日益复杂多变的网络攻击行为。本文提出了一个基于机器学习的网络安全威胁检测系统,旨在通过智能算法提高威胁识别的准确性和效率。系统利用先进的数据挖掘技术从大量网络流量中自动提取特征,并通过训练深度学习模型来识别潜在的安全威胁。本研究的创新点在于融合了自然语言处理(NLP)技术,以解析和理解网络攻击的语言模式,从而增强系统的检测能力。实验结果表明,该系统能够有效识别多种类型的网络攻击,包括钓鱼、恶意软件传播及先进持续性威胁(APT)。
|
3天前
|
机器学习/深度学习 数据采集 监控
构建一个基于机器学习的图像识别系统
【5月更文挑战第29天】构建基于机器学习的图像识别系统涉及数据准备、模型选择、训练优化及部署测试。数据准备包括收集多样化数据集、预处理和数据划分;模型选择常选用CNN、RNN/LSTM或GAN;训练优化涉及模型训练、评估与选择;最后,部署到实际应用时要考虑计算效率和内存占用,并持续更新维护模型。
http://www.vxiaotou.com