RockyLinux自动化机器学习配置（手把手教你搭建高效AI开发环境）

一、准备工作：系统更新与基础工具安装

首先，确保你的Rocky Linux系统是最新的，并安装必要的开发工具。

# 更新系统sudo dnf update -y# 安装开发工具组（包含gcc、make、git等）sudo dnf groupinstall "Development Tools" -y# 安装Python 3.9及以上版本（Rocky Linux 9默认提供Python 3.9）sudo dnf install python3 python3-pip python3-devel -y# 验证Python版本python3 --version

二、创建虚拟环境并安装机器学习核心库

使用虚拟环境可以避免包冲突，是自动化机器学习环境搭建的最佳实践。

# 创建项目目录mkdir ~/ml-project && cd ~/ml-project# 创建虚拟环境python3 -m venv ml-env# 激活虚拟环境source ml-env/bin/activate# 升级pippip install --upgrade pip# 安装机器学习常用库pip install numpy pandas scikit-learn matplotlib jupyter# 如果需要深度学习支持，可额外安装TensorFlow或PyTorch# 例如安装TensorFlow CPU版（GPU版需额外配置CUDA）pip install tensorflow

三、配置Jupyter Notebook实现交互式开发

Jupyter Notebook是数据科学家常用的交互式开发工具，非常适合实验和调试机器学习模型。

# 启动Jupyter Notebookjupyter notebook --ip=0.0.0.0 --port=8888 --no-browser --allow-root

注意：若在远程服务器上运行，建议通过SSH隧道访问，或配置防火墙开放8888端口（仅限可信网络）：

# 开放8888端口（临时）sudo firewall-cmd --add-port=8888/tcp --permanentsudo firewall-cmd --reload

四、自动化脚本：一键部署ML环境

为了提升效率，我们可以编写一个Bash脚本，实现RockyLinux AI开发教程中的环境自动配置。

创建文件 setup_ml_env.sh：

#!/bin/bash# RockyLinux自动化机器学习环境一键配置脚本echo "[1/4] 更新系统..."sudo dnf update -yecho "[2/4] 安装Python与开发工具..."sudo dnf install -y python3 python3-pip python3-develsudo dnf groupinstall -y "Development Tools"mkdir -p ~/ml-project && cd ~/ml-projectecho "[3/4] 创建虚拟环境并安装依赖..."python3 -m venv ml-envsource ml-env/bin/activatepip install --upgrade pippip install numpy pandas scikit-learn matplotlib jupyter tensorflowecho "[4/4] 完成！请手动激活环境：source ~/ml-project/ml-env/bin/activate"echo "启动Jupyter: jupyter notebook --ip=0.0.0.0 --port=8888 --no-browser"

赋予执行权限并运行：

chmod +x setup_ml_env.sh./setup_ml_env.sh

五、验证安装：运行第一个机器学习模型

在Jupyter Notebook中新建一个Notebook，输入以下代码测试scikit-learn是否正常工作：

from sklearn import datasetsfrom sklearn.model_selection import train_test_splitfrom sklearn.ensemble import RandomForestClassifierfrom sklearn.metrics import accuracy_score# 加载鸢尾花数据集iris = datasets.load_iris()X, y = iris.data, iris.target# 划分训练集和测试集X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 训练模型clf = RandomForestClassifier(n_estimators=100)clf.fit(X_train, y_train)# 预测并评估y_pred = clf.predict(X_test)print(f"模型准确率: {accuracy_score(y_test, y_pred):.2f}")

如果输出类似 模型准确率: 1.00，恭喜你！你的RockyLinux自动化机器学习环境已成功搭建。

结语

通过本教程，你已经掌握了在Rocky Linux上从零搭建自动化机器学习环境的完整流程。无论是进行数据分析、模型训练还是部署AI应用，这套环境都能为你提供坚实的基础。记住定期备份你的虚拟环境和代码，以便在不同机器上快速复现。

现在，开启你的AI之旅吧！