教程 PowerShell、WSL、Python、CUDA 等！

生成自 GPT-4o

自从我开始数据科学和机器学习的旅程以来，我一直都是 Mac 用户。

但是作为Z by HP 全球大使计划的一部分，我有幸使用到了强大的 HP 硬件，具体来说是 HP Z6 G5 塔式工作站。以下是它的配置：

• 处理器: AMD Ryzen Threadripper PRO 7965WX 24核 4.20 GHz
• 内存: 256 GB (255 GB 可用)
• 系统类型: 64位操作系统，基于 x64 处理器
• 显卡: NVIDIA RTX 6000 Ada 48 GB 4DP 显卡

我从未有过如此强大的计算能力来训练模型，所以我非常兴奋能够开始。

为了把一切都设置好，我做了一些研究和阅读，并决定写这篇文章，概述了我为了进行数据科学工作而让我的电脑运行起来所做的工作。

注意：这绝不是设置 Windows 的最佳方式，这只是个人偏好。请在评论中留下您的想法和建议！

让我们开始吧！

步骤 1：安装 PowerShell 7 使用 Winget

首先，我们需要安装 PowerShell 7。这可以通过使用 Windows 包管理器 winget 轻松完成。

    winget install --id Microsoft.Powershell --source winget  
    winget install --id Microsoft.Powershell.Preview --source winget

步骤 2：安装 WSL

Windows Subsystem for Linux (WSL) 允许你在 Windows 安装旁边运行一个 Linux 发行版。下面是设置方法：

1. 在 Windows 上启用“虚拟机平台”功能：

• 前往“打开或关闭Windows功能”。
• 选中“虚拟机平台”旁边的复选框。

2. 安装 WSL:

    wsl --安装

3. 设置 WSL2 版本

    wsl --set-default-version 2

4. 检查 WSL 版本:

    wsl -l -v

安装 Ubuntu

1. 安装 Ubuntu:

    wsl - install -d Ubuntu

2. 运行 Ubuntu:

    wsl - 分布式 Ubuntu

3. 关闭 Ubuntu:

    wsl -t Ubuntu

4. 检查操作系统状态:

    wsl - 列出 - 详细信息

5. 退出 WSL:

    退出

在终端应用中，将 Ubuntu 设置为默认。

升级包

    sudo apt update && sudo apt upgrade

查找更多 Linux 命令

步骤 4：安装 ZSH 和 Oh My Zsh

ZSH 提供了更智能的 Tab 自动补全、别名和其他功能，使其成为开发中的一款优秀 shell。

1. 安装 ZSH:

    sudo apt-get install zsh

2. 安装 Oh My Zsh:

    sh -c "$(curl -fsSL https://raw.github.com/ohmyzsh/ohmyzsh/master/tools/install.sh)"

查找 主题 和 插件 来自定义你的 ZSH 设置。

步骤 5：配置 Git

1. 生成一个新的 SSH 密钥并添加到 ssh-agent

    ssh-keygen -t ed25519 -C "你的邮箱@example.com"

2. 为你的 GitHub 账户添加一个新的 SSH 密钥

3. 配置你的用户名 和 电子邮件

    git config --global user.name "你的名字"  
    git config --global user.email "你的邮箱@example.com"

步骤 6：设置 CUDA

CUDA 允许你利用 NVIDIA GPU 的强大功能进行计算任务。

安装 GCC 编译器:

    sudo apt install gcc --fix-missing

nvidia

安装 Nvidia CUDA 工具包:

    sudo apt install nvidia-cuda-toolkit

检查驱动程序和 CUDA 版本：

    nvidia-smi  
    nvcc -V

我的终端输出

步骤 7：使用 Mamba 安装 Python

Mamba 是一个包管理器，可以作为 conda 的替代品，并且在解决依赖关系方面通常更快。

Miniforge 分发版 >= Miniforge3-22.3.1-0

    wget https://github.com/conda-forge/miniforge/releases/latest/download/Miniforge3-Linux-x86_64.sh  
    bash Miniforge3-Linux-x86_64.sh

示例用法：创建一个新的环境并安装 JupyterLab:

    mamba create -n myjlabenv jupyterlab -c conda-forge  
    mamba activate myjlabenv  # 激活我们的环境  
    jupyter lab               # 这将启动 JupyterLab 并打开浏览器

安装 Cursor（可选）

我从 VSCode 切换到了 Cursor，因为它将 LLM 整合到整个代码库中的效果非常好。

获取 WSL VSCode 扩展以连接你的 Linux 发行版。

测试 CUDA

搜索 Nvidia 控制面板，选择“允许所有用户访问 GPU 性能计数器”

    pip install torch numpy

这就是本文的全部内容。

我听说 WSL 比较慢，现在正在考虑给我的电脑安装双系统。

在评论中告诉我，如果你有任何建议，认为我应该在我的电脑上安装其他软件！

参考资料

• Bea Stollnitz — 配置 Windows 开发机器以进行数据科学
• 如何使用 WSL2 在 Windows 10/11 上创建完美的机器学习开发环境
• 如何使用 Nvidia 图形卡 (CUDA) 设置 Windows 机器以进行机器学习/深度学习
• 用您的笔记本电脑解锁数据科学潜力

谢谢阅读

务必关注bitgrit 数据科学出版物以保持更新！

想和其他数据科学家讨论数据科学和人工智能的最新进展吗？加入我们的 discord 服务器!

跟随 Bitgrit 以了解工作坊和即将举行的竞赛的最新信息！

Discord | 网站 | Twitter | LinkedIn | Instagram | Facebook | YouTube