Skip to content

← Späť

POK-ISI Labs

Nastavenie vývojového prostredia

  1. Možnosť A — Google Colab
    1. Použitie GPU
  2. Možnosť B — Lokálne prostredie s venv (odporúčané)
    1. Vytvorenie prostredia
    2. Aktivácia prostredia
    3. Inštalácia balíčkov
    4. Deaktivácia prostredia
  3. Možnosť C — Conda / Miniconda
  4. Overenie, že prostredie funguje
  5. Práca na cvičeniach a výber nástroja
    1. Príprava prostredia pre notebooky
    2. VS Code
    3. JupyterLab
    4. PyCharm
    5. Google Colab
  6. Časté problémy

Files

Nastavenie vývojového prostredia

Každé cvičenie obsahuje v časti Predpoklady príkaz pip install ... so zoznamom potrebných balíčkov. Na tejto stránke si zvolíte spôsob práce a nastavíte prostredie, v ktorom budete príkazy spúšťať: Google Colab alebo lokálne virtuálne prostredie vytvorené pomocou venv či conda.

Balíčky inštalujte iba v aktivovanom virtuálnom prostredí

Pred inštaláciou balíčkov overte, že je virtuálne prostredie aktívne (Možnosť B alebo C nižšie) — v termináli sa spravidla zobrazí označenie (pok-isi). Inštalácia do systémového Pythonu môže viesť ku konfliktom medzi verziami balíčkov používanými v rôznych predmetoch a projektoch.

Ktoré prostredie si zvoliť?

Ak nechcete nastavovať lokálne prostredie alebo nemáte k dispozícii podporovanú grafickú kartu, použite Google Colab — funguje priamo v prehliadači a pri výpočtovo náročnejších cvičeniach umožňuje využiť GPU. Na ostatné cvičenia postačuje lokálne virtuálne prostredie vytvorené pomocou venv alebo conda.

Možnosť A — Google Colab Anchor

Google Colab umožňuje pracovať priamo vo webovom prehliadači bez potreby lokálnej inštalácie Pythonu.

  1. Otvorte Google Colab a prihláste sa pomocou účtu Google.
  2. Vytvorte nový notebook výberom File → New notebook.
  3. Do prvej bunky vložte inštalačný príkaz uvedený v časti Predpoklady príslušného cvičenia a bunku spustite:

Zdrojový kód

!pip install imbalanced-learn
  1. Po dokončení inštalácie môžete spustiť ostatné bunky notebooku.

Bežne používané knižnice sú v prostredí Colab spravidla dostupné vopred. Ich verzie sa však môžu meniť, preto sa vždy riaďte požiadavkami uvedenými pri konkrétnom cvičení.

Použitie GPU Anchor

Pri výpočtovo náročnejších úlohách môžete zapnúť GPU výberom Runtime → Change runtime type → Hardware accelerator → GPU. Dostupnosť ani konkrétny typ GPU nie sú v bezplatnej verzii služby garantované.

Upozornenie

Prostredie Google Colab je dočasné. Po jeho ukončení alebo dlhšej nečinnosti sa nainštalované balíčky a súbory uložené iba v pracovnom prostredí odstránia. Inštalačný príkaz preto ponechajte v prvej bunke notebooku a spustite ho pri každom vytvorení nového prostredia. Notebook si priebežne ukladajte na Google Disk alebo ho stiahnite do počítača.

Možnosť B — Lokálne prostredie s venv (odporúčané) Anchor

Virtuálne prostredie vytvorí pre predmet samostatný priestor na inštaláciu balíčkov. Predchádza tak konfliktom medzi knižnicami a ich verziami používanými v iných predmetoch alebo projektoch.

Vytvorenie prostredia Anchor

V termináli prejdite do priečinka, v ktorom budete pracovať, a vytvorte virtuálne prostredie:

Zdrojový kód

python3 -m venv pok-isi

Prostredie stačí vytvoriť iba raz — nainštalované balíčky v ňom zostanú dostupné aj po zatvorení terminálu.

Poznámka

V niektorých distribúciách Linuxu môže byť potrebné najskôr doinštalovať systémový balík python3-venv.

Aktivácia prostredia Anchor

Aktivácia sa líši podľa operačného systému:

macOS / Linux:

Zdrojový kód

source pok-isi/bin/activate

Windows (PowerShell):

Zdrojový kód

pok-isi\Scripts\Activate.ps1

Po úspešnej aktivácii sa na začiatku príkazového riadka spravidla zobrazí označenie (pok-isi). Pred inštaláciou balíčkov vždy skontrolujte, či je virtuálne prostredie aktívne.

Inštalácia balíčkov Anchor

Po prvom vytvorení prostredia odporúčame aktualizovať nástroj pip:

Zdrojový kód

python -m pip install --upgrade pip

Potom skopírujte a spustite inštalačný príkaz uvedený v časti Predpoklady príslušného cvičenia. Príkaz môže vyzerať napríklad takto:

Zdrojový kód

python -m pip install numpy pandas matplotlib scikit-learn ...   # presný príkaz je pri konkrétnom cvičení

Pri každom cvičení inštalujte iba balíčky uvedené v jeho požiadavkách. Ak už je požadovaný balíček v prostredí dostupný, pip ho nebude zbytočne inštalovať znova.

Prečo používame python -m pip install ...?

Tento zápis zabezpečí, že sa balíčky nainštalujú pre interpreter Pythonu z práve aktívneho virtuálneho prostredia. Znižuje sa tak riziko, že sa použije iná inštalácia nástroja pip dostupná v systéme. Zároveň sa tak vyhnete chybe error: externally-managed-environment (PEP 668), ktorú niektoré systémy (napr. Linuxové distribúcie s balíkom Pythonu zo systémového manažéra) hlásia pri pokuse inštalovať mimo aktivovaného virtuálneho prostredia.

Deaktivácia prostredia Anchor

Po skončení práce môžete virtuálne prostredie deaktivovať:

Zdrojový kód

deactivate

Nabudúce prostredie nevytvárajte znova — stačí prejsť do pracovného priečinka a opätovne ho aktivovať (source pok-isi/bin/activate, resp. pok-isi\Scripts\Activate.ps1 na Windows).

Možnosť C — Conda / Miniconda Anchor

Ak už máte nainštalovanú Miniconda alebo Anaconda, prostredie vytvoríte takto:

Zdrojový kód

conda create -n pok-isi python=3.11
conda activate pok-isi
python -m pip install numpy pandas matplotlib scikit-learn ...   # presný príkaz je pri konkrétnom cvičení

Balíčky z pip install ... príkazu pri danom cvičení sa inštalujú rovnako cez pip aj v conda prostredí — nie je nutné hľadať conda-špecifické ekvivalenty.

Overenie, že prostredie funguje Anchor

Po inštalácii spustite krátky test v Pythone (v aktivovanom prostredí):

Zdrojový kód

import numpy, pandas, sklearn, matplotlib
print("OK:", numpy.__version__, pandas.__version__, sklearn.__version__)

Ak toto prebehne bez chyby, prostredie je pripravené na prácu s ktorýmkoľvek cvičením — pre špecifické balíčky daného cvičenia (napr. torch, transformers) importujte a otestujte rovnakým spôsobom.

Voliteľné overenie pre cvičenia s PyTorch a NLP (9, 10, 11, 13)

Pre cvičenia s neurónovými sieťami sa oplatí vopred overiť aj torch a dostupnosť GPU/akcelerátora:

import torch
print("torch:", torch.__version__)
print("CUDA dostupná:", torch.cuda.is_available())          # NVIDIA GPU (Windows/Linux)
print("MPS dostupná:", torch.backends.mps.is_available())   # Apple Silicon (macOS)

Ak sú obe False, PyTorch bude počítať na CPU — funkčne to nevadí, len pomalšie (odporúčame Google Colab pre cvičenia 9, 11, 13, viď vyššie). Pre Cvičenie 10 (NLP) overte aj stiahnutý jazykový model spacy:

import spacy
nlp = spacy.load("en_core_web_sm")
print("spaCy model OK")

Ak tento príkaz zlyhá s chybou o chýbajúcom modeli, spustite python -m spacy download en_core_web_sm (pozri aj nižšie v časti “Časté problémy”).

Práca na cvičeniach a výber nástroja Anchor

Na cvičeniach budeme primárne pracovať s Jupyter notebookmi vo formáte .ipynb. Notebook umožňuje rozdeliť riešenie na menšie kroky, priebežne spúšťať jednotlivé časti kódu a zobrazovať výsledky, tabuľky aj grafy priamo pri riešení.

Notebooky môžete otvárať a spúšťať vo viacerých nástrojoch:

| VS Code | Odporúčané lokálne prostredie s podporou notebookov, terminálu a práce so zdrojovým kódom. | | JupyterLab | Jednoduché prostredie zamerané priamo na prácu s notebookmi v prehliadači. | | PyCharm | Alternatíva pre študentov, ktorí ho už používajú a majú dostupnú podporu notebookov. | | Google Colab | Práca v prehliadači bez lokálnej inštalácie, vhodná aj pri potrebe GPU. |

Odporúčanie

Počas cvičení budeme postupy demonštrovať v Jupyter notebookoch. Ako hlavný lokálny nástroj odporúčame VS Code, môžete však použiť aj JupyterLab, PyCharm alebo Google Colab. Bez ohľadu na zvolený nástroj musí notebook používať správne Python prostredie s nainštalovanými balíčkami.

Príprava prostredia pre notebooky Anchor

V aktivovanom prostredí (venv alebo conda) nainštalujte podporu pre Jupyter notebooky:

Zdrojový kód

python -m pip install ipykernel

Vo väčšine nástrojov potom stačí otvoriť súbor .ipynb a vybrať Python interpreter z vytvoreného prostredia. Manuálnu registráciu kernelu ponechajte iba ako riešenie pre prípad, že sa prostredie v zozname nezobrazí:

Zdrojový kód

python -m ipykernel install --user --name pok-isi --display-name "Python (pok-isi)"

(Názov pok-isi môžete nahradiť vlastným — slúži len na identifikáciu v zozname kernelov.) Kernel prepája notebook s konkrétnym prostredím Pythonu — určuje teda, ktorý interpreter a ktoré nainštalované balíčky notebook používa.

VS Code Anchor

  1. Nainštalujte rozšírenia Python a Jupyter.
  2. Otvorte súbor .ipynb.
  3. Vpravo hore kliknite na výber kernelu ( Select Kernel).
  4. Vyberte interpreter vytvoreného prostredia pok-isi (alebo príslušný pomenovaný kernel).
  5. Spustite prvú bunku a overte, že notebook používa správne prostredie.

Ak sa prostredie v zozname nenachádza, otvorte paletu príkazov (Cmd/Ctrl+Shift+P) a vyberte „Python: Select Interpreter”.

JupyterLab Anchor

V aktivovanom prostredí nainštalujte JupyterLab:

Zdrojový kód

python -m pip install jupyterlab

Potom ho spustite:

Zdrojový kód

jupyter lab

JupyterLab sa otvorí vo webovom prehliadači. Ak ste ho spustili z aktivovaného prostredia, príslušný interpreter bude spravidla dostupný automaticky.

PyCharm Anchor

Ak používate PyCharm s podporou Jupyter notebookov:

  1. Otvorte projekt a pridajte vytvorené prostredie ako Python interpreter.
  2. Otvorte súbor .ipynb.
  3. Skontrolujte, či notebook používa interpreter projektu.
  4. Spustite skúšobnú bunku a overte dostupnosť požadovaných balíčkov.

Presné názvy položiek sa môžu líšiť podľa verzie PyCharmu — podstatné je, aby bol ako interpreter zvolený Python z prostredia venv alebo conda.

Google Colab Anchor

Notebook nahrajte alebo otvorte v Google Colab. Balíčky požadované pre konkrétne cvičenie nainštalujte v prvej bunke (pozri Možnosť A vyššie). Pri práci v Colabe nie je potrebné registrovať lokálny kernel.

Časté problémy Anchor

pip install torch je veľmi pomalé alebo zlyháva

Na macOS s Apple Silicon (M1/M2/M3) a na počítačoch bez GPU inštalujte štandardnú CPU verziu — netreba riešiť CUDA. Ak pip install torch torchvision zlyháva alebo je extrémne pomalé, skúste presný príkaz z pytorch.org/get-started pre váš operačný systém, alebo použite Google Colab (Možnosť A).

spacy hlási chýbajúci jazykový model

Po pip install spacy treba osobitne stiahnuť jazykový model: python -m spacy download en_core_web_sm (uvedené aj priamo v Cvičení 10). Samotný pip install spacy model nesťahuje.

Príkaz python/pip nie je nájdený

Na macOS/Linuxe mimo aktivovaného prostredia treba často použiť python3/pip3 namiesto python/pip. Po aktivácii venv na macOS/Linuxe už fungujú oba tvary, keďže venv si vytvorí symlinky python/python3. Na Windows je to inak — venv tam vytvára iba python.exe (a pip.exe), nie python3.exe/pip3 — použite preto vždy python/pip (prípadne py), nie python3/pip3.

Sťahovanie veľkých modelov/dát zlyháva na školskej sieti

Niektoré cvičenia sťahujú väčšie predtrénované modely (BERT ~440 MB, diffusion checkpointy) alebo dátové sady cez Kaggle API — ak je školská sieť pomalá alebo blokuje niektoré domény, odporúčame pripraviť si tieto súbory vopred na osobnom internete. Konkrétne upozornenia sú uvedené pri danom cvičení.

Windows: torch hlási chybu DLL (napr. c10.dll)

Chyba typu OSError: [WinError 1114] A dynamic link library (DLL) initialization routine failed pri importe torch (Cvičenia 9, 11, 13) môže mať na Windows viacero príčin — vyskúšajte postupne:

  1. Chýba Microsoft Visual C++ Redistributable (x64) — doinštalujte najnovší z learn.microsoft.com/cpp a reštartujte počítač.
  2. Poškodená inštalácia — preinštalujte načisto: pip uninstall -y torch torchvision torchaudio, potom pip cache purge a znovu nainštalujte presným príkazom z pytorch.org/get-started.
  3. Projekt/prostredie pok-isi v priečinku synchronizovanom cez OneDrive — OneDrive vie DLL súbory uzamykať počas synchronizácie. Presuňte projekt mimo OneDrive priečinka (napr. do C:\dev\...).
  4. Ak nič z toho nepomôže, skúste úplne nové virtuálne prostredie — nekompatibilita medzi nainštalovanou numpy/MKL knižnicou a torch DLL sa v komunite spomína ako možná príčina, no nie je to jediné vysvetlenie. Ak problém pretrváva, priložte celú chybovú hlášku a verzie balíčkov (pip show torch numpy) pri hľadaní pomoci (napr. GitHub issues PyTorch).

umap-learn hlási TypeError: Unable to convert function return value to a Python type! ... () -> handle

Ide o problém s numba/llvmlite (na ktorých umap-learn stavia cez pynndescent) — zvyčajne nekompatibilná verzia numpy s nainštalovaným numba, alebo poškodená inštalácia llvmlite. Cvičenie 2 preto v pip install ... príkaze rovno pripína "numpy<2" a "umap-learn<0.6". Ak napriek tomu chyba nastane, problém je pravdepodobne v konkrétnej dvojici verzií numba/llvmlite nainštalovanej vo vašom prostredí — tie sa priebežne menia, preto namiesto pevne daných verzií najprv zistite, ktoré sú aktuálne vzájomne kompatibilné:

pip uninstall -y numba llvmlite pynndescent umap-learn
pip index versions numba          # zistite aktuálne dostupné verzie
python -m pip install --no-cache-dir numba llvmlite pynndescent "umap-learn<0.6" "numpy<2"

Ak chyba pretrváva, overte kompatibilitu podľa oficiálnej tabuľky ( numba – supported numpy versions) a v prípade potreby ručne pripnite numba/llvmlite na verziu, o ktorej táto tabuľka potvrdzuje kompatibilitu s vašou numpy.


Top