pyprobml

项目介绍：pyprobml

pyprobml 项目致力于以 Python 3 代码的形式复现出自《Probabilistic Machine Learning: An Introduction》（通常称为“第一本书”）和《Probabilistic Machine Learning: Advanced Topics》（通常称为“第二本书”）这两本书中涉及的图示与算法实现。这些代码使用了标准的 Python 库，如 numpy、scipy、matplotlib 和 sklearn 等。而在第二本书中的某些部分还运用了 JAX，在第一本书中的某些部分中使用了 Tensorflow 2 和少量的 Torch。

运行 Jupyter 笔记本

pyprobml 项目中所需的所有 Jupyter 笔记本都可以通过以下位置找到：

所有笔记本（按文件名排序）
第一册的笔记本（按章节排序）
第二册的笔记本（按章节排序）

在 Colab 中运行笔记本

Google 的 Colab 平台为广大用户提供了许多所需的预安装库（如 scikit-learn 和 JAX），并允许免费访问 GPU 和 TPU。团队提供了一份详细介绍如何在 Colab 上运行笔记本的指南，对于初学者非常有帮助。在 Colab 中运行 GitHub 上的 Jupyter 笔记本相对简单，只需将域名从 github.com 更改为 githubtocolab.com 即可。Google Chrome 用户甚至可以通过一个“打开在 Colab”的 Chrome 扩展简化这一流程。

本地运行笔记本

如果用户想在本地运行笔记本，需预先安装 JAX 和 Tensorflow，以及 Torch，因为安装取决于用户的 CPU、GPU 等硬件配置。用户可以通过以下几种方式安装其他所需的库。

选项 1：使用 pip 命令直接从网络安装
选项 2：下载到本地后使用 pip 命令安装
选项 3：通过 git 克隆项目，并进行手动安装

如果用户希望保存图示，则需要配置环境变量来指定保存目录，并调整保存格式（如 pdf 和 png）。

云计算支持

当用户需要比 Colab 更多的计算能力或控制力时，团队推荐使用 Lightning.ai 提供的开发环境，该环境可以在网络浏览器中通过 VScode 访问 VM，并且可以根据需要一键启动多个 GPU。另外，Google Cloud Platform（GCP）也是提供 GPU 和 TPU 支持的不错选择，相关教程同样易于查找。