Nastavenie vývojového prostredia

Každé cvičenie obsahuje v časti Príprava prostredia 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

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 Príprava prostredia 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

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)

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

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

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

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 Príprava prostredia 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

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

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

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 (9, 10, 12)

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, 10, 12, viď vyššie).

Práca na cvičeniach a výber nástroja

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:

Nástroj Charakteristika
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

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

  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

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

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

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

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).

torch.cuda.is_available() vráti False aj na počítači s podporovanou NVIDIA GPU

Toto zvyčajne nie je problém s verziou Pythonu, CUDA alebo cuDNN - príčinou je takmer vždy nainštalovaný CPU-only wheel PyTorch. Overte to príkazom:

import torch
print(torch.version.cuda)   # None -> nainštalovaná je CPU-only verzia

Riešenie: preinštalujte presne cez príkaz z pytorch.org/get-started/locally pre vašu GPU (napr. pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121) - ovládač GPU bežne podporuje aj staršie minor verzie CUDA, nie je nutné cieliť presne najnovšiu. Pri pretrvávajúcom probléme najprv odinštalujte pôvodnú verziu (pip uninstall -y torch torchvision torchaudio) a nainštalujte znova.

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.

macOS: lightgbm zlyhá s chybou Library not loaded: @rpath/libomp.dylib

Pri from lightgbm import LGBMClassifier (Cvičenie 4) môže na macOS nastať OSError: ... Library not loaded: @rpath/libomp.dylib. LightGBM na macOS vyžaduje systémovú knižnicu OpenMP (libomp), ktorú samotný pip install lightgbm nedoinštaluje. Nainštalujte ju cez Homebrew (brew install libomp); ak Homebrew nemáte, postupujte podľa návodu na brew.sh.

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.

macOS: sťahovanie dát zlyháva s chybou SSL: CERTIFICATE_VERIFY_FAILED

Pri načítaní dátových sád cez ucimlrepo alebo fetch_openml (napr. Cvičenia 1 a 2) sa na macOS môže objaviť chyba URLError: <urlopen error [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed: unable to get local issuer certificate>. Príčinou je, že Python nainštalovaný z python.org nepoužíva systémové certifikáty macOS a vlastné koreňové certifikáty nemá nastavené.

  1. Trvalé riešenie - spustite skript Install Certificates.command, ktorý je súčasťou inštalácie Pythonu (dvojklikom vo Finderi v priečinku Applications/Python 3.X, alebo z terminálu; 3.X nahraďte vašou verziou):

    open "/Applications/Python 3.X/Install Certificates.command"
  2. Rýchle riešenie priamo v kóde - na začiatku notebooku, pred načítaním dát, nastavte certifikáty z balíčka certifi (ak ho nemáte, nainštalujte ho príkazom python -m pip install certifi):

    import os
    import certifi
    
    # use the certificate bundle from certifi for HTTPS downloads
    os.environ["SSL_CERT_FILE"] = certifi.where()
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, 10, 12) 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.