Pythonで機械学習の環境を構築する方法

Anacondaのダウンロード
Anaconda Prompt で環境の構築
Spyderの設定
学習のテスト
まとめ

Anacondaのダウンロード

Anacondaは、Pythonの機械学習や科学計算などに特化した、パッケージや環境を管理するためのシステムです。簡単にPythonの開発環境を管理でき、パッケージがインストールしやすいと言うメリットがあります。

まずは、以下のリンクから自分のOSに合ったAnacondaのインストーラーをダウンロードしましょう。

ダウンロードが完了したら、インストーラーをクリックしてインストールを行ってください。

Anaconda Prompt で環境の構築

Pythonのインストールが完了したら、開発環境を作成します。Anacondaがダウンロードされるとbase環境のみ存在している状態です。そこで、任意の名前を付けた目的に都合のいいパッケージを搭載した環境を構築すると便利です。自分の場合はphysと言う名前の環境を構築し、ディープラーニングなどを行っています。

それでは、検索バーに Anaconda Prompt と入力して、Anaconda Prompt を起動してください。

まずは、環境構築
conda create -n phys

アクティベート
conda activate phys

ライブラリを探しやすくするためのチャンネル追加する。
conda config –add channels conda-forge
conda config –add channels pytorch
conda config –add channels nvidia
conda config –add channels rusty1s

数値計算系、物理シミュレーション系、ディープラーニング系のライブラリを入れたいが、依存関係が少ないライブラリからインストールしていく方がよい。

基本ライブラリ
conda install pip numpy scipy sympy pandas matplotlib seaborn plotly tqdm

機械学習ライブラリ
conda install scikit-learn xgboost lightgbm

PyTorchライブラリ
conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

PyTorchの拡張
conda install torch-geometric -c rusty1s -c conda-forge

計算系ライブラリ
conda install optuna transformers quimb qutip -c conda-forge

可視化ライブラリ
conda install -c conda-forge plotnine holoviews -c conda-forge

Spyder用のカーネルでスパイダーに認識させる
conda install spyder-kernels=2.5

Spyderの設定

Spyderを開く→ツール → 設定→Pythonインタープリタ→
C:/Users/takur/anaconda3/envs/phys/python.exe
適用→

上記の設定が終了すれば、一度Spiderを閉じて開き直せば構築した環境を読み込んでくれる。

学習のテスト

せっかくディープラーニングの環境を構築したので以下のコードをSpyderにコピペしてみてください。

import torch
import networkx as nx
import matplotlib.pyplot as plt
from torch_geometric.data import Data
from torch_geometric.nn import GCNConv
from sklearn.manifold import TSNE


# １．量子もつれネットワークの作成

edge_index = torch.tensor([[0, 1, 2, 3, 4, 0, 2, 3], 
                           [1, 2, 3, 4, 0, 2, 3, 4]], dtype=torch.long)
edge_attr = torch.tensor([0.8, 0.5, 0.6, 0.7, 0.9, 0.4, 0.3, 0.6], dtype=torch.float)

# 5ノード, 3次元の初期特徴量
x = torch.rand((5, 3))

# PyTorch Geometric の Data オブジェクト
data = Data(x=x, edge_index=edge_index, edge_attr=edge_attr)


# ２．GNN モデルの定義

class GNN(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self.conv1 = GCNConv(3, 4)  # 入力3次元 → 隠れ層4次元
        self.conv2 = GCNConv(4, 2)  # 隠れ層4次元 → 出力2次元（埋め込み）

    def forward(self, x, edge_index):
        x = self.conv1(x, edge_index).relu()
        x = self.conv2(x, edge_index)
        return x

model = GNN()
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)


# ３．GNN の学習

for epoch in range(100):
    optimizer.zero_grad()
    out = model(data.x, data.edge_index)
    loss = torch.norm(out)  # 仮の損失関数（最適化のため）
    loss.backward()
    optimizer.step()

# 埋め込みベクトルの出力
print("GNN 埋め込みベクトル:")
print(out.detach().numpy())


# ４．量子もつれネットワークの可視化

G = nx.Graph()
for i in range(edge_index.shape[1]):
    G.add_edge(int(edge_index[0, i]), int(edge_index[1, i]), weight=float(edge_attr[i]))

plt.figure(figsize=(5, 5))
pos = nx.spring_layout(G)
edges = G.edges(data=True)
weights = [d["weight"] for (u, v, d) in edges]

nx.draw(G, pos, with_labels=True, node_color='lightblue', edge_color=weights, edge_cmap=plt.cm.Blues, width=2)
plt.title("量子もつれネットワーク")
plt.show()


# ５．学習後の埋め込みを可視化

# t-SNE の perplexity をサンプル数未満に設定
tsne = TSNE(n_components=2, perplexity=3, random_state=42)  # perplexity はサンプル数未満に
node_embeddings_2d = tsne.fit_transform(out.detach().numpy())

plt.figure(figsize=(5, 5))
plt.scatter(node_embeddings_2d[:, 0], node_embeddings_2d[:, 1], c='red')
for i, txt in enumerate(range(5)):
    plt.annotate(txt, (node_embeddings_2d[i, 0], node_embeddings_2d[i, 1]))
plt.title("GNN 学習後のノード埋め込み")
plt.show()