как установить миниконду для виндовс

Miniconda

Краткое руководство по Miniconda на GeekWriter.ru

Навигация

Related Topics

Быстрый поиск

Установка Miniconda на Windows¶

Системные требования¶

Windows 8 и выше, 32-бит или 64-бит.

400 МБ дискового пространства.

Наиболее полный список требований для Windows (а также требования для MacOS и Linux) — на сайте Anaconda. Для Miniconda требования те же, за исключением дискового пространства.

Загрузка дистрибутива¶

Загрузите дистрибутив для вашей операционной системы по ссылке на сайте документации conda.

Проверка хеш-суммы дистрибутива¶

Разработчики Miniconda рекомендуют перед запуском установки проверить хеш-сумму загруженного дистрибутива, чтобы убедиться в его целостности и подлинности. На странице документации conda вы найдете хеш-сумму SHA256 для последней версии дистрибутива. Хеш-суммы для более ранних версий также доступны.

В следующей инструкции предполагается, что вы устанавливаете Miniconda на Windows с установленным PowerShell V4 и выше. В документации conda вы найдете альтернативные способы проверки (в том числе на Linux и MacOS).

Запустите PowerShell (например, нажмите Win+R и введите powershell ).

Введите следующую команду:

Сверьте полученный результат со значением, указанным на странице со ссылкой на загрузку дистрибутива.

Установка Miniconda¶

Запустите файл скачанного дистрибутива (с расширением exe) и следуйте инструкциям установщика. В процессе установки вам нужно будет указать:

для каких пользователей компьютера устанавливать Miniconda: только для себя (не требуются права администратора) или для всех пользователей (нужны права администратора);

в какую папку установить Miniconda;

нужно ли добавить Miniconda в переменную окружения PATH (разработчики Miniconda не рекомендуют устанавливать этот флажок, так как это впоследствии может вызвать проблемы, для решения которых придется удалить и переустановить Miniconda);

нужно ли зарегистрировать версию Python, устанавливаемую с Miniconda, как используемую по умолчанию другими программами (например, PyCharm или PyDev).

Источник

InstallationпѓЃ

We recommend you install Anaconda for the local user, which does not require administrator permissions and is the most robust type of installation. You can also install Anaconda system wide, which does require administrator permissions.

For information on using our graphical installers for Windows or macOS, see the instructions for installing Anaconda.

System requirementsпѓЃ

32- or 64-bit computer.

For Miniconda—400 MB disk space.

For Anaconda—Minimum 3 GB disk space to download and install.

Windows, macOS, or Linux.

For Windows: Windows 8.1 or newer for Python 3.9, or Windows Vista or newer for Python 3.8.

You do not need administrative or root permissions to install Anaconda if you select a user-writable install location.

Regular installationпѓЃ

Follow the instructions for your operating system:

Installing in silent modeпѓЃ

You can use silent installation of Miniconda or Anaconda for deployment or testing or building services such as Travis CI and AppVeyor.

Follow the silent-mode instructions for your operating system:

Installing conda on a system that has other Python installations or packagesпѓЃ

You do not need to uninstall other Python installations or packages in order to use conda. Even if you already have a system Python, another Python installation from a source such as the macOS Homebrew package manager and globally installed packages from pip such as pandas and NumPy, you do not need to uninstall, remove, or change any of them before using conda.

Install Anaconda or Miniconda normally, and let the installer add the conda installation of Python to your PATH environment variable. There is no need to set the PYTHONPATH environment variable.

To see if the conda installation of Python is in your PATH variable:

To see which Python installation is currently set as the default:

Источник

Сайт ARNY.RU

Как установить Python — быстро подготавливаем удобную среду для старта кода на языке программирования Python.

Кодинг на питоне нам нужен для подготовки к CCNA7, CCNP Enterprise и для написания боевых скриптов работы с оборудованием. Есть много различных сред для питона. Расскажу про самую простую среду и второй вариант, про самую удобную. Возможно гуру питона возразят насчёт самой удобной (хотя вряд ли гуру зайдёт по ссылке «как установить Python» ), но для начинающего кодера это именно так.

Ставить будем на Windows 10. И ставить версию 3, так как версия 2 неактуальна на сегодняшний день.

Python IDLE

IDLE (Integrated Development and Learning Environment) самый простой способ установить неудобную среду для написания программ. Почему-то по всем ссылкам запроса «как установить питон» или «как установить Python» предлагается именно она.

Тут всё проще некуда, открываем командную строку, пишем там python, Enter и винда сама предложит установить Python. Будет он не последней версии, зато ничего делать не надо.

Или другой вариант чуть сложнее, идём на python.org, скачиваем последнюю версию:

Устанавливаем, выбирая Add Python 3.9 to PATH и Customise Installation. Далее всё по умолчанию, но нужно поставить ещё галку Precompile standard library (вся установка

200Mb на диске). После установки запускаем:

Открывается окошко IDLE Shell, там выбираем File-New File. Всё, можно кодить. Какие здесь недостатки:

Поэтому ставим миниконду.

Miniconda

Почему мини? Занимает гораздо меньше места (

2Gb), чем старший брат (сестра?) анаконда. Идём сюда, скачиваем потребную версию, устанавливаем. Все настройки по умолчанию. Ну и далее накатываем Jupyter Notebook. Запускаем Anaconda Promt (Miniconda3).

После этого появляется ярлык Jupyter Notebook, запускаем:

Или же можно запустить из промпта миниконды:

Jupyter открывается в браузере, в правом верхнем углу выбираем New-Python3. Открывается новая вкладка, непосредственно ноутбук. Как-то мы привыкли что ноутбук это переносной компьютер, но в оригинале notebook — «блокнот, книга для записей». Поэтому ноутбук, хотя соглашусь, звучит непривычно.

Строка In [ ] (Input) тут как раз ячейка для написания кода программы. Ячейки можно добавлять плюсом. Выбираем нужную ячейку, запускаем. После получаса кода работать с другой средой не хочется категорически. Потому что удобно.

Что ещё.. В Python есть удобный встроенный справочник по элементам языка с помощью функции help().

Установка миниконды подсмотрена в курсе Программирование на Python, который отчаянно рекомендую. Общая часть окончена, далее переходим к сетям.

Установка дополнительных модулей

Стандартные библиотеки Python предоставляют много возможностей (легко ищется в инете, что именно эти библиотеки умеют), но дополнительных библиотек-модулей куда больше. И в работе с сетевым оборудованием дополнительные модули понадобятся обязательно.

К примеру воспользуюсь дополнительным модулем requests, он нужен для отправки запросов на сервера. Открываю консоль конды:

Уже установлено. Это тоже плюс миниконды. Далее накидываю и запускаю программу в ноутбуке:

Как видно не хватает двух модулей. Первый модуль нужен для поддержки консольного порта, второй для работы с файлом Excel, куда забиты реквизиты устройств. Буквально пара движений. Как точно поставить тот или иной модуль ищется в нете:

Заработало, зашуршало, можно отлаживать.

Запуск скриптов

Теперь, допустим, хочу запускать уже готовые к работе файлы скриптов из командной строки. Открываю командную строку, пишу python, Enter.

Вижу что питон у меня ассоциирован с версией 3.7, установленной виндой, как написал в самом начале.

Дополнительные пакеты ставятся отдельно для каждой среды. Тут пока никаких дополнительных пакетов нет, поэтому:

Закидываю текст программы в Notepad++:

Меняю расширение на .py, чтобы запустить командную строку из текущей папки нужно просто набрать cmd-Enter в заголовке пути:

И далее python название программы.

Работает. И как понимаю, ситуация тут распадается на 2 варианта:

Сразу предвижу хороший вопрос: а что с ассоциацией для миниконды? Снова открываем командную строку.

Если нужно работать с миникондой, то команда вводится как py имя скрипта. Таким образом на компе живут несколько питонов и друг-другу не мешают.

Всё, в заключение бомбический курс Python для сетевых инженеров. Программируйте на Python, это клёво 🙂

Источник

Настраиваем Python для машинного обучения на Windows

Машинное обучение − это просто. Но знаете ли вы, что можно использовать Python для машинного обучения? Вот инструкция по настройке для Windows.

Люди привыкли выполнять большую часть работы автономно. В этой статье рассказываем о возможностях языка Python для машинного обучения на Windows, описание дистрибутива Anaconda, процесс его установки и создание нейронной сети.

Anaconda и Conda

Используемый в Python pip не идеален. Для оптимизации работы был выпущен дистрибутив Anaconda и система управления Conda, которые могут помочь в настройке Python для машинного обучения.

Хотя Conda тесно связана с Anaconda, эти проекты отличаются своими функциями. Anaconda − дистрибутив ПО в экосистеме PyData, которая включает сам язык программирования Python, а также двоичные файлы для нескольких сторонних проектов. Существует и Miniconda − версия с минимальным исходным пакетом. Conda − система управления пакетами, которая может быть установлена без Anaconda или Miniconda. Она способна решать проблемы внешних зависимостей, путем загрузки скомпилированных версий ПО. Кроме того, Conda является менеджером среды. С ее помощью вы можете настроить отдельную среду. Сейчас мы рассмотрим процесс установки Miniconda.

Установка дистрибутива Miniconda

Скачайте и установите необходимую версию Miniconda на ПК. При установке продвинутых настроек снимите галочку с первого пункта.

Чтобы получить больше информации об установке, запустите conda info:

Понимание среды Conda

При работе с чужими проектами у вас может возникнуть потребность в установке определенных версий пакетов. Виртуальные среды − решение проблемы. Они позволяют создать несколько сред, каждая из которых имеет разные версии пакетов. Базовая настройка Python для машинного обучения включает в себя Virtualenv, инструмент для создания изолированных сред.

Conda включает собственный менеджер среды и дает некоторые преимущества относительно Virtualenv. Кроме того, среды Conda полностью совместимы с базовыми пакетами языка Python, которые могут быть установлены с помощью pip.

Используя Anaconda, можно проверить доступные среды Conda, запустив сonda env list:

После завершения процесса создания среды, можно ее активировать, запустив conda activate otherenv. Заметить изменения среды можно, посмотрев на скобки в начале строки:

Откройте Python interpreter в этой среде, запустив python:

Среда включает в себя Python 3.7.0, ту же версию, что включена в корневую среду. Чтобы выйти, запустите quit():

Чтобы отключить среду otherenv и вернуться в корневую среду, пропишите deactivate:

Как видно из вывода conda create, были установлены новые пакеты, так как среда использует Python 2.7. Можно проверить, что среда действительно использует его, активировав Python interpreter:

Теперь, если вы запустите conda env list, можно увидеть две среды, которые были созданы вами:

Управление базовыми пакетами с помощью Conda

Пакеты ПО могут быть установлены с помощью Conda. Корневая база Miniconda включает в себя базовые пакеты, которые не являются частью стандартной библиотеки Python для настройки машинного обучения.

Установка по умолчанию включает минимум пакетов Conda. Чтобы проверить список установленных пакетов, нужно убедиться, что она активна, и запустить conda list. В корневой среде устанавливаются эти пакеты:

Поиск и установка пакетов

Пакеты устанавливаются из репозиториев, называемых channels by Conda. Чтобы выполнить поиск определенного пакета, запустите поиск

. Вот так вы будете искать keras:

Для каждой версии существуют разные версии пакетов и сборки. Предыдущий поиск показывает только пакеты с именем keras. Чтобы выполнить более широкий поиск, используйте *. Например, при запуске conda search *keras*, вы получите следующее:

Вы можете заметить, что в каналах по умолчанию есть и другие пакеты, связанные с keras.

Чтобы установить пакет, запустите conda install

. По умолчанию самая новая версия пакета будет установлена в активной среде. Установите пакет keras в среду otherenv, созданную вами:

Conda управляет необходимыми функциями для пакета. Так как у keras их много, при его установке Conda позволяет установить большой список пакетов.

Поскольку новая сборка keras использует Python 3.6, а среда otherenv была создана с использованием Python 3.7, пакет python 3.6.6 был включен как зависимость. После подтверждения установки вы сможете проверить, что версия Python для среды otherenv была понижена до версии 3.6.6.

Но если вы не хотите понижать версию вашего пакета, просто создайте новую среду с необходимой версией Python. Чтобы проверить список пакетов и прочего, необходимого для ее установки, посмотрите на параметр —dry-run:

При необходимости можно изменить базовую версию Python среды Conda, установив определенную версию пакета python. Создайте новую среду под названием envpython:

Поскольку корневая среда использует Python 3,7, создается envpython с этой же версией.

Если вам нужно установить несколько пакетов, запустите conda install, указав имена пакетов. Вот как вы установите numpy, scipy и matplotlib:

Обновление и удаление пакетов

Иногда вам будет нужно обновлять пакеты. Для этого запустите conda update

, но помните, что при удалении пакета, все зависимые от него тоже удалятся:

Использование каналов

Иногда вы не сможете найти нужные вам пакеты на базовых каналах. Вот так вы будете устанавливать pytorch:

В случае, если будете искать pytorch на сайте anaconda, вы получите следующие результаты:

В канале pytorch имеется пакет под названием pytorch с версией 0.4.1. Чтобы установить пакет с определенного канала, используйте параметр -c вместе с conda install:

Использование Pip в среде Conda

Иногда при настройке Python для машинного обучения вам могут понадобиться чистые пакеты Python, которые будут недоступны на каналах Conda. Например, Unipath.

Вы сможете найти пакет, используя другой канал. Но так как unipath − чистый пакет Python, то можно использовать pip для его установки. Следует использовать pip, установленный conda create:

Чтобы установить pip, активируйте среду и установите пакет Conda:

Наконец, используйте pip, чтобы установить unipath:

После установки вы можете посмотреть на пакеты с помощью conda list и проверить, что Unipath был установлен:

Также можно использовать пакеты из системы VSC с помощью pip. Чтобы активировать supervisor, version 4.0.0dev0. доступный в репозитории Git, для начала установите последний:

Теперь установите supervisor, используя pip, с помощью репозитория Git:

После завершения установки supervisor будет указан в списке установленных пакетов:

Простой пример машинного обучения

XOR gate − ещё один момент, который стоит знать в процессе настройки Python для машинного обучения: используя Conda обучите нейронную сеть функционировать как XOR gate

XOR gate реализуют операцию OR. Требуется два цифровых входа, равные 0 или 1. И вывода, 1 (true) и 0 (false). Таблица ниже суммирует операции XOR gate:

Операцию XOR можно интерпретировать как classification problem, потому что она принимает два входа и должна классифицировать их как 0 или 1 в зависимости от того, равны они друг другу или нет. Именно этот пример обычно используется в качестве первого случая обучения нейронной сети, поскольку он прост, но в то же время требует нелинейного классификатора, такого как нейронная сеть. Чтобы реализовать нейронную сеть, создайте среду Conda, названную nnxor:

Теперь активируйте и установите пакет keras:

keras − высокоуровневый API, который упрощает внедрение нейронных сетей поверх известных библиотек, таких как TensorFlow. Обучите следующую нейронную сеть действовать как XOR gate:

Сеть берет два входа (A, B) и передает их двум нейронам, показанными большими кругами. Затем она принимает входные данные этих нейронов и подает их на выходной нейрон, который должен обеспечивать классификацию в соответствии с таблицей XOR.

Процесс обучения состоит в том, чтобы настроить значения w_1 до w_6, чтобы выход соответствовал таблице. Для этого входные примеры начнут подаваться по одному, вывод станет рассчитываться с текущими значениями, и, сравнивая вывод с желаемым, значения будут корректироваться.

Для этого создайте папку с именем nnxor в директории (C:\Users\IEUser) с файлом под именем nnxor.py, чтобы сохранить программу Python для реализации нейронной сети.

В файле nnxor.py выберите сеть для обучения и тестирования:

Импортируйте numpy, инициализируйте случайный seed, чтобы можно было воспроизвести те же результаты при повторном запуске программы и импортировать keras, используемый в сети.

Определите массив X, содержащий 4 возможных набора A-B входов, и массив y, содержащий выходные данные.

Следующие пять строк сформируют нейронную сеть. Модель Sequental() − одна из моделей keras для определения нейронной сети. Определите первый слой из двух входных нейронов, определив их функцию активации в качестве sigmond function. Затем обозначьте входной слой их одного нейрона с той же функцией активации.

Следующие две строки определяют детали обучения сети. Чтобы настроить параметры, используйте Stochastic Gradient Descent с оптимальной скоростью обучения, равной 0,1. Наконец, выполните обучение с помощью fit(), используя X и Y в качестве примеров обучения, после того, как каждый пример будет загружен в сеть (batch_size=1). Число epochs представляет собой количество попыток обучения сети.

В этом случае вы повторяете операцию 5500 раз, используя обучающий набор, содержащий 4 примера ввода и вывода. После обращения нейросети к исходным данным тренировочные варианты перемешиваются заново.

На последней строке вы печатаете прогнозируемые значения 4 возможных примеров ввода.

После обучения, вы можете проверить прогнозы, которые дает сеть для возможных входных значений:

Как вы определите X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]]), ожидаемые входные округленные значения станут равны 0,1,1 и 0, что согласуется с прогнозами сети.

Машинное обучение применяется в различных областях, охватывая все большую аудиторию. Тем не менее, создание среды может быть сложней задачей. В этой статье вы узнали об основах создания среды Python на Windows с использованием Anaconda. Теперь, когда у вас есть основа, пришло время начать работу с настоящими приложениями.

Понравилась статья о настройке Python для машинного обучения? Книги по Python и другие материалы:

Источник: Настройка Python для машинного обучения on Realpython

Источник

Создание и настройка портативной сборки Jupyter Notebook и Lab на Windows. Часть 1

Всем привет. Когда я начинал изучение Python, устанавливал впервые Jupyter Notebook, потом пытался передать с созданное в нём приложение на предприятие, я часто сталкивался с различными проблемами. То кириллица в имени пользователя мешает, то настройки не перенеслись, то ещё чего-то. Все эти проблемы я преодолел в основном самостоятельно, используя Google и затратив немало времени на их решение.

По мере роста опыта я научился создавать папку, в которой лежит переносимое с одного компьютера на другой виртуальное окружение Python, настройки Jupyter и Matplotlib, портативные программы (ffmpeg и др.) и шрифты. Я мог написать дома программу, скопировать всю эту папку на компьютер предприятия, и быть уверенным, что ничего не потеряется и не сломается на ровном месте. Потом я подумал, что такую папку можно дать и новичку в Python, и он получит полностью настроенную и переносимую среду.

Оглавление

Введение

Наконец, если все проблемы позади, могут возникнуть трудности передать приложение другому пользователю. Я сталкивался с ситуацией, когда созданное мною виртуальное окружение для Python отказывалось работать на другом компьютере. Кроме того, Jupyter Notebook и Matplotlib хранят свои настройки в папке пользователя, что усложняет перенос приложений, использующих специфичные настройки.

Решением описанных выше проблем будет создание полностью портативной сборки Jupyter Notebook и/или Jupyter Lab на Windows. Она хранит в себе интерпретатор Python, его библиотеки и настройки, настройки всех необходимых сторонних библиотек, включая Matplotlib и Jupyter, не привязано к имени пользователя и не будет ругаться, если вы запустите её на другом компьютере. Мы можем упаковать такую сборку в архив, либо написать скрипт или программу, которая создаст такую же сборку на компьютере абсолютного новичка. Более продвинутым пользователям портативная сборка может быть полезна тем, что она позволяет хранить окружение Python и настройки библиотек в разных местах. Вы можете разместить папку с настройками в специальное место, которое синхронизируется с облачным хранилищем: Dropbox, облако Mail.ru*, Яндекса или Google. За счёт этого на всех компьютерах автоматически получится локально работающая среда с одинаковыми настройками.

Для простоты восприятия материала я решил описать создание портативной сборки под Windows. Но эта инструкция с минимальными изменениями годится для создания сборки на Linux и Mac OS. Статья в первую очередь предназначена для новичков, поэтому я постарался описать как можно подробнее и проще для восприятия.

Статья состоит из двух частей. В первой части мы создадим портативную сборку, во второй займёмся настройками для Jupyter Notebook, Jupyter Lab, IPython и Matplotlib.

Краткая инструкция по созданию портативной сборки Jupyter

Создайте следующую структуру каталогов для портативной сборки Jupyter:

Создайте виртуальное окружение для Python с помощью conda *:

Активируйте окружение и установите пакеты Python с помощью pip *:

Примечание: если вам необходимо установить Numpy и Scipy, которые используют библиотеку MKL от Intel для ускорения расчётов, используйте (en) intel-numpy вместо numpy и intel-scipy вместо scipy (устанавливается только в Python 3.6!):

После установки выполните:

*Если возникнут ошибки при установке, попробуйте так:

и после окончания установки

В папке C:\Dev\Jupyter\dist создайте файл run_jupyter_notebook.bat для запуска Jupyter Notebook с заданными параметрами:

Аналогично, в папке C:\Dev\Jupyter\dist создайте файл run_jupyter_lab.bat для запуска Jupyter Lab с заданными параметрами:

Портативная сборка Jupyter создана и готова к настройке и работе. Для начала работы просто кликните по созданным ярлыкам. Если вы решите не удалять установленную Miniconda, вы можете сократить размер папки C:\Dev\Miniconda3 следующей командой:

Установка Miniconda (Python 3.7)

Сначала нам необходимо установить Python. У Python есть две ветки: Python 2 и Python 3. Python 2 поддерживается (en) до 2020 года, поэтому будем ставить только Python 3.

У conda есть отличительные особенности, из-за которой она удобна и для начинающих и опытных пользователей:

Итак, нам нужно скачать и установить Miniconda. Для этого пройдём на https://conda.io/miniconda (en) и выберем 64-битную версию для Windows на Python 3. Если у вас 32-битных компьютер, вам следует скачать 32-битную версию.

Miniconda ставится так же, как и обычное Windows приложение:

Запускаем инсталлятор, жмём Next

Соглашаемся с лицензионным соглашением I Agree

Я предпочитаю установку для всех пользователей, потому что это даст мне возможность указать путь для установки. Выбираем пункт «All users»:

Корректируем путь для установки на C:\Dev\Miniconda3 :

Во время установки можете нажать Show details. Тем самым вы увидите больше информации о том, что именно происходит во время установки. Но это не обязательно.

Когда установка закончится, появится фраза «Completed», а кнопка Next станет доступной. Жмём Next

В последнем окне нам предлагается узнать про Anaconda Cloud (это первый флажок) и как начать работу с Anaconda (второй флажок). Мне ничего из этого не нужно, поэтому я снимаю все флажки и нажимаю Finish. Установка Miniconda завершена.

После установки Miniconda в папке C:\Dev мы увидим новую папку Miniconda весом примерно 340 Мб. Да, это немало, и она ещё будет раздуваться. Позже я покажу, как быстро и безопасно уменьшать её объём.

Если дважды кликнуть по python.exe — запустится консольное окно, в котором можно вводить команды Python.

Вы можете для теста после >>> ввести:

и нажать Enter. Откроется браузер по умолчанию с комиксом про Python на xkcd.

Создание структуры каталогов

Теперь у нас всё готово для того, чтобы начать создание портативной сборки Jupyter Notebook. Для начала создадим следующую структуру каталогов:

Папка apps содержит вспомогательные программы. Например, я часто кладу туда портативную версию FFMPEG, которая нужная Matplotlib для создания анимации.

Папка conf содержит настройки различных библиотек. В нашем случае для IPython, Jupyter и Matplotlib.

В папку conf\backup я кладу копии своих файлов настроек на случай, если в будущем где-то напортачу с настройками.

Папка fonts содержит шрифты, которые могут быть использованы, например, в Matplotlib. Лично мне понравились Roboto и PTSerif.

Создание переносимого виртуального окружения Python

Создание виртуального окружения с помощью conda

Откройте командную строку (+R → cmd.exe → Enter) и введите*:

Исправление ошибки HTTP 000 CONNECTION FAILED при создании виртуального окружения

У одного из пользователей при выполнении команды

столкнулся с ошибкой следующего содержания:

Мне потребовался не один час, чтобы разобраться с ней, потому что на первый взгляд проблема либо с некорректной установкой Miniconda либо с сетью. У некоторых корпоративных пользователей действительно был заблокирован этот ресурс, но проблема происходила у пользователя дома. Переустановка Miniconda не помогла.

В Проводнике Windows заходим в «Этот компьютер» (где перечисляются все диски на компьютере). В свободном месте правым кликом мыши открываем контекстное меню и выбираем в самом низу пункт «Свойства».

В открывшемся окне находим «Дополнительные параметры системы»:

На вкладке «Дополнительно» находим кнопку Переменные среды:

Закройте и откройте командную строку снова. Теперь всё должно работать. Если вдруг не заработало — надо гуглить ошибку или обращаться на форумы.

Активация виртуального окружения

Когда создание виртуального окружения закончится, окно будет выглядеть примерно так:

В результате вы должны получить примерно следующее:

Слово (base) в начале строки как указывает на то, что мы вошли в нужное нам виртуальное окружение.

Установка пакетов Python в виртуальном окружении

Теперь можно установить пакеты*:

У меня получилось установить intel-numpy и intel-scipy только в виртуальном окружении с Python 3.6. Если вы хотите использовать Numpy и Scipy с MKL в окружении с Python 3.7, необходимо использовать команду:

Выход из виртуального окружения Python

После того, как установка завершена, необходимо выйти из виртуального окружения. Для этого в командной строке наберите*:

Подготовка портативной сборки Jupyter к запуску

Настройка переменных окружения для Jupyter, IPython и Matplotlib

Каталоги размещения настроек определяются переменными среды Windows. Изменив эти переменные, мы заставим Jupyter и Matplotlib хранить свои файлы там, где это нужно именно нам. В папке C:\Dev\Jupyter\dist создайте файл setenv.bat следующего содержания:

Разберём, что делается в этом файле.

Команда @echo off необходима для того, чтобы в командной строке не выводилось сообщение при выполнении каждой строки нашего файла.

Команда set создаёт переменную. Конструкция %

Затем мы настраиваем переменные для Jupyter:

Создание файла для запуска Jupyter с настройками пользователя

В папке C:\Dev\Jupyter\dist создайте файл run_jupyter_notebook.bat следующего содержания:

Аналогично, в папке C:\Dev\Jupyter\dist создайте файл run_jupyter_lab.bat следующего содержания:

После того, как это сделали, можете кликнуть дважды по любому из ярлыков. Сначала появится новое окно командной строки, потом откроется браузер по умолчанию и в нём запустится Jupyter Notebook или Lab в новой вкладке. Поздравляю: квест пройден!

Дополнительные файлы для выполнения служебных действий

Для Jupyter Notebook написаны расширения (о них будет подробнее в части 2). Но их недостаточно установить. Их ещё надо активировать. Согласно документации, вам нужно сделать следующее (не выполняйте эту команду!):

Но мы не можем выполнить команду в таком виде, потому что настройки окажутся вне портативной сборки. Мы должны сделать иначе:

Чтобы упростить себе задачу, мы можем в папке C:\Dev\Jupyter\dist создать файл enable_extension.bat следующего содержания:

В итоге наша запись в окне командной строки сократится и станет такой:

Аналогично можно сделать для запуска IPython и других случаев.

Заключение

В части 2 будут рассмотрены различные вопросы кастомизации Jupyter Notebook, Jupyter Lab и Matplotlib. Научимся подключать расширения в Jupyter Notebook и Jupyter Lab, настраивать сочетания клавиш, размер шрифта и прочие настройки, напишем свои «магические команды».

Если у вас остались вопросы, но нет аккаунта на Хабре, вот мои контакты:

Источник