AI 与工程数学 / 系统课时
配置 Python 数值实验环境
配置 Python 数值实验环境
本课将建立一个独立的 Python 数值实验环境,安装 NumPy 和 Matplotlib,并通过数组运算与二次函数曲线验证配置是否成功。完成后,你将拥有一套可以重复使用的实验环境,为后续梯度下降、损失函数可视化和模型训练实验做好准备。
学习目标
- 使用
venv创建并激活独立 Python 虚拟环境。 - 安装、检查并锁定 NumPy 与 Matplotlib 依赖。
- 运行数值计算和绘图程序,验证实验环境能够正常工作。
检查 Python 与项目目录
推荐使用 Python 3.11 或 3.12。本课命令适用于 Windows、macOS 和 Linux,依赖版本固定为 NumPy 1.26.4、Matplotlib 3.8.4,便于复现实验结果。建议使用 64 位 Python,并确保安装程序及绘图环境正常可用。
先在终端检查 Python 版本。Windows 可以使用 PowerShell,macOS 和 Linux 可以使用终端。
python --version
python -m pip --version预期输出示例(版本和安装路径可能不同):
Python 3.11.9
pip 24.0 from <PATH> (python 3.11)如果 macOS 或 Linux 找不到 python,尝试 python3 --version,并在后续命令中将 python 替换为 python3。如果 Windows 使用 py 启动器,也可以用 py -3.11 指定已安装的 Python 3.11。
创建一个专门存放实验代码的项目目录。以下命令适用于 PowerShell、macOS 和 Linux 常见终端:
mkdir optimization-lab
cd optimization-lab预期结果:终端进入新建的 optimization-lab 目录;多数终端执行成功时不会输出文本。后续虚拟环境、依赖清单和实验文件都保存在这里。
创建并激活独立虚拟环境
Python 的 venv 会为项目建立独立的包安装位置,避免其他项目的依赖版本影响当前实验。例如一个项目使用 NumPy 1.26,另一个项目使用 NumPy 2.x,就可以通过各自的虚拟环境隔离依赖。
在项目目录执行:
python -m venv .venv预期结果:生成 .venv 目录,通常不显示成功消息。它包含虚拟环境使用的 Python 解释器与包安装目录。
根据操作系统和终端选择激活命令:
| 终端 | 激活命令 |
|---|---|
| Windows PowerShell | .\.venv\Scripts\Activate.ps1 |
| Windows CMD | .venv\Scripts\activate.bat |
| macOS / Linux Bash、Zsh | source .venv/bin/activate |
激活成功后,终端提示符通常会出现 (.venv)。可以执行以下命令确认当前使用的是虚拟环境中的解释器:
python -c "import sys; print(sys.prefix != sys.base_prefix)"预期输出:
True如果输出 False,说明当前解释器没有处于虚拟环境中。重新执行对应终端的激活命令,再检查一次。
安装数值计算与绘图依赖
本课使用两个库:NumPy 负责向量、矩阵和数值运算;Matplotlib 负责绘制函数曲线、散点图以及后续优化算法的收敛轨迹。
在已经激活的虚拟环境中执行:
python -m pip install "numpy==1.26.4" "matplotlib==3.8.4"预期结果:pip 下载并安装相应依赖,完成时出现类似信息:
Successfully installed ... numpy-1.26.4 ... matplotlib-3.8.4 ...实际输出还包含其他依赖包及对应版本,顺序可能不同。指定版本可以减少未来因上游库更新而产生的实验差异。请勿直接复制上述省略展示的安装日志作为验证依据。
安装完成后,检查两个包的实际版本:
python -c "import numpy; import matplotlib; print('NumPy:', numpy.__version__); print('Matplotlib:', matplotlib.__version__)"预期输出:
NumPy: 1.26.4
Matplotlib: 3.8.4建议把当前环境中的依赖记录到文件中:
python -m pip freeze > requirements.txt预期结果:项目目录生成 requirements.txt,其中包含 NumPy、Matplotlib 及其传递依赖的具体版本。以后在兼容的 Python 和平台环境下,可以通过 python -m pip install -r requirements.txt 尝试重建相同的依赖组合。该清单不保证跨操作系统或 Python 版本完全一致。
验证数组运算与函数曲线
现在创建一个最小实验:计算二次函数 在多个位置的函数值,并绘制曲线。这个函数的最低点为 ,可以直接用来检验数值结果与图像是否一致。
在项目目录中新建 experiment.py,写入以下完整代码:
import numpy as np
import matplotlib
# 使用非交互式后端,确保无桌面显示环境也能保存图片
matplotlib.use("Agg")
import matplotlib.pyplot as plt
def objective(x):
# NumPy 自动对数组中的每个元素计算函数值
return (x - 2) ** 2 + 1
def main():
points = np.array([0.0, 1.0, 2.0, 3.0, 4.0])
values = objective(points)
print("x:", points)
print("f(x):", values)
x = np.linspace(-1, 5, 200)
y = objective(x)
plt.figure(figsize=(7, 4))
plt.plot(x, y, label="f(x) = (x - 2)^2 + 1")
plt.scatter([2], [1], color="red", label="Minimum (2, 1)")
plt.xlabel("x")
plt.ylabel("f(x)")
plt.grid(True)
plt.legend()
plt.tight_layout()
plt.savefig("objective.png", dpi=150)
plt.close()
print("Saved: objective.png")
if __name__ == "__main__":
main()在终端运行:
python experiment.py预期输出:
x: [0. 1. 2. 3. 4.]
f(x): [5. 2. 1. 2. 5.]
Saved: objective.png程序在当前工作目录生成 objective.png,是一张约 1050×600 像素的图片。用系统图片查看器打开后,应能看到开口向上的抛物线和位于 的红色最低点。
这里有三个值得核对的数值细节:np.array 创建一维数组;(x-2)**2+1 对所有数组元素逐一计算;np.linspace(-1,5,200) 在区间内生成 200 个等间距采样点,用来绘制平滑曲线。
排查常见环境问题
如果无法导入模块,优先检查执行脚本的 Python 与安装依赖的 Python 是否相同,而不是反复安装软件。
| 现象 | 常见原因 | 处理方法 |
|---|---|---|
ModuleNotFoundError: No module named 'numpy' |
安装与运行使用了不同解释器 | 激活 .venv 后用 python -m pip install -r requirements.txt |
No module named venv |
Python 安装缺少虚拟环境组件 | Linux 按发行版安装对应的 python3-venv 包 |
| PowerShell 拒绝激活 | 脚本执行策略限制 | 使用进程级策略或直接调用虚拟环境解释器 |
pip 下载超时 |
网络或包索引无法访问 | 检查网络及 pip 索引配置,再重试 |
| 图片没有弹出窗口 | 程序使用 Agg 后端 |
直接打开生成的 objective.png |
还可以运行依赖一致性检查:
python -m pip check如果安装的包依赖关系没有冲突,预期输出为:
No broken requirements found.该检查只能确认已安装包声明的依赖关系是否满足,不能代替程序运行测试。
验收实验环境
完成配置后,用以下标准验收:
- 执行
python -c "import sys; print(sys.prefix != sys.base_prefix)",输出True。 - NumPy 和 Matplotlib 的版本分别为
1.26.4和3.8.4。 experiment.py输出五组正确的函数值,其中最小值为1.0。- 项目目录存在
requirements.txt和objective.png。 - 曲线最低点与红色标记重合,横坐标为
2,纵坐标为1。
全部满足后,说明当前环境已经具备基本的数组计算和函数绘图能力。结束实验时可执行 deactivate 退出虚拟环境;下次进入项目目录后重新激活即可,无需再次创建环境。