首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >如何在 CentOS 7 上安装 Py

如何在 CentOS 7 上安装 Py

作者头像
py3study
发布于 2020-01-02 09:06:27
发布于 2020-01-02 09:06:27
80800
代码可运行
举报
文章被收录于专栏:python3python3
运行总次数:0
代码可运行

当前最新的 CentOS 7.5 默认安装的是 Python 2.7.5,并且默认的官方 yum 源中不提供 Python 3 的安装包。这里主要介绍两种在 CentOS 7 中安装 Python 3 的方法。

使用 SCL 安装

1. 启用 SCL

SCL 是一个社区项目,它可以在同一系统上构建,安装和使用多个版本的软件,而不会影响系统默认软件包。

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
yum -y install centos-release-scl

2. 安装 Python

现在我们可以访问SCL存储库,我们可以安装我们需要的任何Python 3.x版本,目前最新版本为 Python 3.6。

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
yum -y install rh-python36

3. 修改环境变量

要访问Python 3.6,需要使用 scl 工具为系统环境变量添加自定义路径。

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
scl enable rh-python36 bash

4. 查看安装信息

查看 Python 环境路径:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
[root@localhost ~]# which python
/opt/rh/rh-python36/root/usr/bin/python

查看 Python 当前版本:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
[root@localhost ~]# python --version
Python 3.6.3

编译源码安装

1. 基本工具

  • wget(网络下载工具)
  • gcc(基于C/C++的编译器
  • make(工程化编译工具)
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
yum -y install wget gcc make

2. 安装依赖

  • bzip2-devel(解决 import bz2 报错)
  • ncurses-devel(解决 import curses 报错)
  • sqlite-devel(解决 import sqlite3 报错)
  • gdbm-devel(解决 _dbm _gdbm 缺失)
  • xz-devel(解决 _lzma 缺失)
  • tk-devel(解决 _tkinter 缺失)
  • readline-devel(解决 readline 缺失)
  • libffi-devel(解决 _ctypes 缺失)
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
yum -y install bzip2-devel ncurses-devel sqlite-devel gdbm-devel xz-devel tk-devel readline-devel libffi-devel

3. 编译源码

下载源码包:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
wget -c https://www.python.org/ftp/python/3.7.0/Python-3.7.0.tgz

解压源码包:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
tar -zxvf Python-3.7.0.tgz

进入解压目录:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
[root@localhost ~]# cd Python-3.7.0
[root@localhost Python-3.7.0]# 

配置安装目录:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
./configure prefix=/usr/local/python3

编译并安装:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
make && make install

4. 添加链接

在用户环境变量目录下,创建一个启动程序的软链接。

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
ln -s /usr/local/python3/bin/python3.7 /usr/local/bin/python

5. 查看版本

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
[root@localhost ~]# python --version
Python 3.7.0

SLC 与编译安装各有优缺点。

SLC 方式安装更简单,不需要考虑依赖的问题。而且默认安装在 /opt 目录下(相当于 Windows 中 D:\SoftWare),不影响系统环境,直接 rm -rf 也没关系。局限在于 SLC 只提供 python3.4 - python3.6 的版本,并且会修改 $PATH 的路径。

编译安装则可以选择任意 python 的版本(只要能下载的到),但是编译与安装过程中会遇到很多 No module named 错误。如果再将启动程序软链接添加到系统环境变量目录(/usr/bin)下,依赖 python2 的 yum(#!/usr/bin/python)工具就不能使用了。

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2019/10/14 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
一文读懂支持向量机SVM(附实现代码、公式)
支持向量机(SVM),一个神秘而众知的名字,在其出来就受到了莫大的追捧,号称最优秀的分类算法之一,以其简单的理论构造了复杂的算法,又以其简单的用法实现了复杂的问题,不得不说确实完美。
数据派THU
2018/07/30
6.6K1
一文读懂支持向量机SVM(附实现代码、公式)
【机器学习与实现】支持向量机SVM
图中深蓝色线便是决策边界,也称分离超平面;两条虚线之间宽度叫做间隔 (margin)。支持向量机的优化目标为——间隔最大化。
Francek Chen
2025/01/23
2740
【机器学习与实现】支持向量机SVM
机器学习十大经典算法之支持向量机
在分类问题中,除了线性的逻辑回归模型和非线性的深度神经网络外,我们还可以应用一种被广泛应用于工业界和学术界的模型——支持向量机(SVM),与逻辑回归和神经网络相比,支持向量机在学习复杂的非线性方程时提供了一种更为清晰,更加强大的方式。支持向量机相对于神经网络和逻辑回归,特别擅长于特征维数多于样本数的情况,而小样本学习至今仍是深度学习的一大难题。
墨明棋妙27
2022/09/23
6950
Andrew Ng机器学习课程笔记--week7(SVM)
本周主要学习SVM 一、 内容概要 Large Margin Classification Optimization Objective(优化Objective(损失函数)) Large Margin Intuition(大边距的直观理解) Mathematics Behind Large Magin Classification(最大间距分类器背后的数学推导) Kernels Kernels 1 Kernels 2 SVMs in Practice Using An SVM 二、重点&难点 1. L
marsggbo
2018/01/23
6400
Andrew Ng机器学习课程笔记--week7(SVM)
机器学习:支持向量机SVM
,代价图像如上图左所示,我们的优化目标是使得代价函数尽量的小,在图中可以看出,当
Here_SDUT
2022/09/19
7340
机器学习:支持向量机SVM
第十三章 支持向量机
到目前为止,你已经见过一系列不同的学习算法。在监督学习中,许多学习算法的性能都非常类似,因此,重要的不是你该选择使用学习算法A还是学习算法B,而更重要的是,应用这些算法时,所使用的数据量。这就体现你使用这些算法时的技巧了,比如:你为学习算法所设计的特征量的选择,以及如何选择正则化参数,诸如此类的事。
tomas家的小拨浪鼓
2019/03/15
6470
第十三章 支持向量机
图解机器学习 | 支持向量机模型详解
教程地址:http://www.showmeai.tech/tutorials/34
ShowMeAI
2022/03/10
1.1K0
图解机器学习 | 支持向量机模型详解
Python机器学习的练习六:支持向量机
在这个练习中,我们将使用支持向量机(SVMs)创建一个垃圾邮件分类器。在一些简单的2D数据集上使用SVMs去观察他们如何工作,接下来我们查看一组邮件数据集,并且在处理过的邮件上使用SVMs创建一个分类器,用于判断他们是否是垃圾邮件。 尽管在多类场景中有使用SVMs的方法,但它是一种默认的二进制分类工具。SVMs还可以使用 kernel trick 来处理非线性分类,在尝试找到超平面之前,将数据投射到高维空间中。SVMs是一种强大的算法类,经常用于实际的机器学习应用程序。 首先要做的就是研究简单的二维数据集,
AiTechYun
2018/03/02
1.3K0
Python机器学习的练习六:支持向量机
R语言与机器学习(分类算法)支持向量机
说到支持向量机,必须要提到july大神的《支持向量机通俗导论》,个人感觉再怎么写也不可能写得比他更好的了。这也正如青莲居士见到崔颢的黄鹤楼后也只能叹“此处有景道不得”。不过我还是打算写写SVM的基本想法与libSVM中R的接口。 一、SVM的想法 回到我们最开始讨论的KNN算法,它占用的内存十分的大,而且需要的运算量也非常大。那么我们有没有可能找到几个最有代表性的点(即保留较少的点)达到一个可比的效果呢? 要回答这个问题,我们首先必须思考如何确定点的代表性?我想
机器学习AI算法工程
2018/03/12
1.2K0
R语言与机器学习(分类算法)支持向量机
支持向量机核技巧:10个常用的核函数总结
支持向量机是一种监督学习技术,主要用于分类,也可用于回归。它的关键概念是算法搜索最佳的可用于基于标记数据(训练数据)对新数据点进行分类的超平面。
deephub
2023/02/01
1.9K0
详解机器学习中的梯度消失、爆炸原因及其解决方法
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/qq_25737169/article/details/78847691
DoubleV
2018/09/12
5.3K0
详解机器学习中的梯度消失、爆炸原因及其解决方法
机器学习系列:(九)从感知器到支持向量机
从感知器到支持向量机 上一章我们介绍了感知器。作为一种二元分类器,感知器不能有效的解决线性不可分问题。其实在第二章,线性回归里面已经遇到过类似的问题,当时需要解决一个解释变量与响应变量存在非线性关系的问题。为了提高模型的准确率,我们引入了一种特殊的多元线性回归模型,多项式回归。通过对特征进行合理的组合,我们建立了高维特征空间的解释变量与响应变量的线性关系模型。 随着特征空间的维度的不断增多,在用线性模型近似非线性函数时,上述方法似乎依然可行,但是有两个问题不可避免。首先是计算问题,计算映射的特征,操纵高维的
小莹莹
2018/04/23
1.3K0
机器学习系列:(九)从感知器到支持向量机
机器学习-支持向量机SVM算法
支持向量机(Support Vector Machine, SVM)对监督学习下二分类问题提供了一个绝妙的解决方案。通过对偶函数和核函数求解,将适用范围从二维线性推广到多维非线性模型,使用相关方法变形,也可用于多分类问题和回归问题。
唔仄lo咚锵
2023/05/23
5870
机器学习-支持向量机SVM算法
支持向量机(Support Vector Machines,SVM)
线性可分SVM学习方法,对线性不可分训练数据是不适用的,怎么将它扩展到线性不可分,需要修改硬间隔最大化,使其成为软间隔最大化。
Michael阿明
2020/07/13
2K1
支持向量机(Support Vector Machines,SVM)
机器学习中最流行的模型之一,用于分类的支持向量机的完整介绍
支持向量机(SVM)是一个非常强大而多变的机器学习模型,能够执行线性或非线性的分类,回归,甚至异常值检测。它是机器学习中最流行的模型之一,任何对机器学习感兴趣的人都应该学习和使用它。SVM特别适用于复
AiTechYun
2018/03/05
2.8K0
机器学习中最流行的模型之一,用于分类的支持向量机的完整介绍
机器学习算法|支持向量机(Support Vector Machine,SVM)
机器学习(MachineLearning),作为计算机科学的子领域,是人工智能领域的重要分支和实现方式。
阿巴阿巴-
2025/03/03
1.4K0
如何用Python实现支持向量机(SVM)
SVM支持向量机是建立于统计学习理论上的一种分类算法,适合与处理具备高维特征的数据集。 SVM算法的数学原理相对比较复杂,好在由于SVM算法的研究与应用如此火爆,CSDN博客里也有大量的好文章对此进行分析,下面给出几个本人认为讲解的相当不错的: 支持向量机通俗导论(理解SVM的3层境界):http://blog.csdn.net/v_july_v/article/details/7624837 JULY大牛讲的是如此详细,由浅入深层层推进,以至于关于SVM的原理,我一个字都不想写了。。强烈推荐。 还有一个
机器学习AI算法工程
2018/03/13
1.7K0
如何用Python实现支持向量机(SVM)
机器学习算法Python实现
目录 一、线性回归 1、代价函数 2、梯度下降算法 3、均值归一化 4、最终运行结果 5、使用scikit-learn库中的线性模型实现 二、逻辑回归 1、代价函数 2、梯度 3、正则化 4、S型函数(即) 5、映射为多项式 6、使用的优化方法 7、运行结果 8、使用scikit-learn库中的逻辑回归模型实现 逻辑回归_手写数字识别_OneVsAll 1、随机显示100个数字 2、OneVsAll 3、手写数字识别 4、预测 5、运行结果 6、使用scikit-learn库中的逻辑回归模型实现 三、BP
企鹅号小编
2018/01/09
2.3K0
机器学习算法Python实现
Python3《机器学习实战》学习笔记(九):支持向量机实战篇之再撕非线性SVM
版权声明:本文为博主原创文章,未经博主允许不得转载。个人网站:http://cuijiahua.com。 https://blog.csdn.net/c406495762/article/details/78158354
Jack_Cui
2019/05/25
8240
Python3《机器学习实战》学习笔记(九):支持向量机实战篇之再撕非线性SVM
机器学习18:支持向量机(SVM)模型
SVM的推导过程的基本是对线性可分的样本空间的推导,后面的核函数是对线性不可分样本空间的推广,而松弛变量的引进是为了解决噪声(Outliers,异常值)的问题。所以这片文章着重对线性可分情形进行公式推导,后面有空闲时间在对核函数和松弛变量部分进行公式推导的补充。
用户5473628
2019/08/08
5260
机器学习18:支持向量机(SVM)模型
推荐阅读
相关推荐
一文读懂支持向量机SVM(附实现代码、公式)
更多 >
交个朋友
加入腾讯云官网粉丝站
蹲全网底价单品 享第一手活动信息
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档
本文部分代码块支持一键运行,欢迎体验
本文部分代码块支持一键运行,欢迎体验