Warum Conda für KI-Entwicklung?
Conda ist ein leistungsfähiger Paket- und Umgebungsmanager, der das Verwalten von Python-Abhängigkeiten und virtuellen Umgebungen vereinfacht. Für KI-Projekte bietet Conda viele Vorteile:
- Unterstützt sowohl CPU- als auch GPU-basierte Bibliotheken wie PyTorch oder TensorFlow.
- Vermeidet „Abhängigkeitskonflikte“.
- Isoliert Umgebungen für verschiedene Projekte.
Voraussetzungen
- Debian 12 oder neuer (Netinstall oder Desktop)
- Root- oder Sudo-Zugriff
- Grundlegende Terminalkenntnisse
Schritt 1: System aktualisieren
Öffnen Sie ein Terminal und aktualisieren Sie Ihre Paketlisten:
sudo apt update && sudo apt upgrade -y
Installiere notwendige Tools:
sudo apt install -y build-essential curl wget git
Schritt 2: Miniconda installieren (empfohlen)
Miniconda ist eine schlanke Version von Anaconda – perfekt, um nur das zu installieren, was du wirklich brauchst.
Miniconda herunterladen:
cd /tmp wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
Überprüfen Sie die Integrität (optional, aber empfohlen):
sha256sum Miniconda3-latest-Linux-x86_64.sh
Vergleiche den Hash mit der offiziellen Seite:
Miniconda Hashes.
Installation starten:
bash Miniconda3-latest-Linux-x86_64.sh
Folge den Anweisungen:
- Lizenz akzeptieren
- Installationspfad bestätigen
- Conda zur .bashrc hinzufügen (empfohlen)
Starten Sie Ihre Shell neu:
source ~/.bashrc
Prüfen, ob Conda funktioniert:
conda --version
Schritt 3: Neue Umgebung für KI erstellen
Erstellen Sie eine Conda-Umgebung namens ai mit Python 3.10:
conda create -n ki python=3.10
Aktiviere die Umgebung:
conda activate ki
Schritt 4: Installieren Sie die wichtigsten KI- und ML-Pakete
Installieren Sie wichtige Pakete, die in der KI-Forschung und -Entwicklung verwendet werden:
conda install -y numpy pandas matplotlib seaborn scikit-learn jupyterlab ipykernel
Deep-Learning-Frameworks:
PyTorch (mit CPU-Unterstützung):
conda install pytorch torchvision torchaudio cpuonly -c pytorch
TensorFlow (CPU-Version):
pip install tensorflow
Optionale Visualisierungs- und NLP-Tools:
conda install -y spacy nltk plotly
Installieren Sie HuggingFace Transformers und Datasets:
pip install transformers datasets
Schritt 5: Jupyter Lab einrichten (IDE für Experimente)
Starten Sie Jupyter Lab:
jupyter lab
Mache die Umgebung global in Jupyter sichtbar:
python -m ipykernel install --user --name=ai --display-name "Python (KI)"
Schritt 6: Speichern Sie Ihre Umgebung für die Freigabe/Neuinstallation
Exportieren:
conda env export > ki-umgebung.yml
Später wiederherstellen:
conda env create -f ki-umgebung.yml
Schritt 7: Aufräumen & Tipps
Umgebungen anzeigen:
conda env list
Umgebung löschen:
conda remove --name ki --all
Conda aktualisieren:
conda update -n base -c defaults conda
Optional: VS Code einrichten
Installieren Sie VS Code und die Python-Erweiterung:
sudo apt install code
Stellen Sie den Interpreter in VS Code über Strg+Umschalt+P → Python auf Ihre KI-Umgebung ein: Interpreter auswählen → „Python (KI)“ auswählen.
Zusammenfassung
Du hast nun eine stabile und leistungsstarke KI-Entwicklungsumgebung unter Debian mit Conda eingerichtet. Egal ob du neuronale Netze trainierst oder NLP-Modelle testest – du bist startklar.
Nützliche Links