企业官网建设流程全解析

• 示例工程
• 机器学习
• 深度学习

本篇文章以《Python Machine Learning（第 2 版）》开源代码仓库的 code/README.md 为核心索引，系统讲解该仓库的目录结构、运行环境搭建、16 个章节 Notebook 的完整索引与两种使用方式，并结合仓库内的源码与自动化测试说明其工程化程度。读完本文，你将能够独立完成 Python + Jupyter 环境配置、快速定位任意章节的 Notebook/脚本/数据集资源，并理解仓库如何用jupyter nbconvert对全部章节代码做自动化回归验证。

一、仓库定位：一本书的“可运行代码骨架”

该仓库是《Python Machine Learning, 2nd Ed.》（Packt Publishing，2017 年 9 月出版，作者 Sebastian Raschka 与 Vahid Mirjalili）随书代码仓库。其顶层 README.md 明确了定位：所有代码示例按章节组织在 code/ 子目录下，每个章节同时提供 Jupyter Notebook（.ipynb）与由其转换而来的 Python 脚本（.py），并随附书中用到的原始图片、数据集与配套说明文件。

仓库根目录同时保留了完整的书目信息（ISBN 978-1787125933）、翻译版本（德文版 ISBN 978-3958457331、日文版 ISBN 978-4295003373）以及可供引用的 BibTeX 条目：

@book{RaschkaMirjalili2017, address = {Birmingham, UK}, author = {Raschka, Sebastian and Mirjalili, Vahid}, edition = {2}, ... title = {{Python Machine Learning, 2nd Ed.}}, year = {2017} }

需要特别强调的是，code/README.md 明确声明：这些只是随书的代码示例，notebook 中不包含公式与描述性文字，脱离书本正文单独使用可能难以理解。因此本文的定位是“索引与上手指南”，核心知识与推导仍应回归书本正文。

二、环境搭建：Python、pip/conda 与 Jupyter Notebook

code/README.md 将环境搭建指南指向 code/ch01/README.md。该书面向 Python>= 3.6.0编写，建议使用当时最新的 Python 3 版本；书中大部分代码示例也可能兼容更早的 Python 3 甚至 Python>= 2.7.10，但作者明确提醒：若使用 Python 2.7 执行示例，务必先了解 Python 3 与 2.7 之间的主要差异。

1. 检查当前 Python 版本

$ python -V

书中作者的示例输出为：

Python 3.6.1 :: Continuum Analytics, Inc.

2. 使用 pip 安装第三方包

pip自 Python 3.3 起就是 Python 标准库的一部分。安装任意包：

pip install SomePackage

其中SomePackage是numpy、pandas、matplotlib、scikit-learn等包名的占位符。更新已安装的包需加--upgrade标志：

pip install SomePackage --upgrade

3. 使用 Anaconda / conda（推荐）

Anaconda 是 Continuum Analytics 出品的科学计算发行版，免费（含商用）、跨平台，开箱即带数据科学、数学、工程所需的全部核心 Python 包。安装 Anaconda 后：

conda install SomePackage # 安装新包 conda update SomePackage # 更新已有包

4. 本书核心依赖的最低版本

为保障代码示例可正确运行，code/ch01/README.md 给出了作者写作时使用的核心包版本下限，安装时请确保版本大于或等于以下数值：

全书以 NumPy 的多维数组作为数据存储与操作的主载体，偶用建立在 NumPy 之上的 pandas 处理表格数据，并用高度可定制的 matplotlib 进行数据可视化。

5. 安装并启动 Jupyter Notebook

.ipynb即 Jupyter（前身 IPython）Notebook 文件。作者选择 Notebook 而非纯.py脚本，是因为它能“一锅端”地容纳代码、执行结果、数据图表以及支持 Markdown 与 LaTeX 语法的文档，非常适合数据分析类项目。可通过 pip 或 conda 安装：

$ pip install jupyter notebook

或：

$ conda install jupyter notebook

启动方式为：先进入存放代码示例的目录，再执行jupyter notebook：

$ cd ~/code/python-machine-learning-book $ jupyter notebook

Jupyter 会在默认浏览器中启动（典型地址为 http://localhost:8888/），随后即可在文件菜单中选取要打开的 notebook。

一个值得注意的术语细节：IPython Notebook 现已更名为 Jupyter Notebook——Jupyter 是一个伞形项目，除 Python 外还支持 Julia、R 等语言；对 Python 用户而言，只是术语从“IPython Notebook”换成了“Jupyter Notebook”。

三、16 章完整索引：目录、Notebook 与随附数据

code/README.md 的核心内容是一份完整的 16 章索引表。每个章节目录下通常包含：.ipynb（Notebook 主文件）、.py（由 Notebook 转换的脚本）、images/（书中插图）、README.md（章节说明）以及该章使用的数据集。

下表完整继承原文档的章节清单，并补充了各章随附的数据与脚本资产（数据文件来自仓库实际目录）：

章节序号 1~10 覆盖经典机器学习（感知机、逻辑回归、SVM、决策树、数据预处理、降维、模型评估、集成学习、情感分析、回归分析），第 12~16 章则从零实现多层神经网络到 TensorFlow 并行训练、TensorFlow 机制、卷积神经网络与循环神经网络。第 1 章本身不包含代码示例，其价值集中在环境搭建指南（见 code/ch01/README.md）。

四、两种使用方式：Notebook 优先，.py 脚本兜底

code/README.md 明确给出了作者的使用建议：

1. 优先使用 Jupyter Notebook：notebook 内含图片与章节标题，导航更友好；更关键的是支持逐单元（stepwise）执行代码片段，作者认为这能提供更好的学习体验。即使不安装 Jupyter，也可以直接在平台上点击.ipynb文件在线查看（例如 code/ch02/ch02.ipynb）。
2. .py 脚本作为备选：各章目录中的.py文件由对应 notebook 转换生成，可用任意纯文本编辑器查看和编辑。

以 code/ch02/README.md 为例，各章 README 都附带“A note on using the code examples”一节，重复强调同一套工作流：Anaconda 用户执行conda install jupyter notebook→jupyter notebook→ 浏览器窗口导航到目标.ipynb文件。作者还特别说明，每个 notebook 都内置了与书本一致的目录与章节标题，并嵌入了书中原始图片，方便边读边跑。

章节 README 还提供了各章内容大纲。例如 code/ch03/README.md 列出第 3 章主题：分类算法选型、scikit-learn 初体验、逻辑回归、SVM 与核技巧、决策树与随机森林、K 近邻；code/ch16/README.md 则列出 RNN 的完整学习路径：序列数据建模 → RNN 结构与激活计算 → 长程交互的挑战 → LSTM → TensorFlow 多层 RNN 情感分析 → 字符级语言模型。这些大纲可直接作为逐章精读的导航地图。

五、源码级纵深：第 9 章 Flask Web 应用的可运行示例

code/README.md 将第 9 章“把机器学习模型嵌入 Web 应用”作为特例列出了 4 个可直接运行的 Flask 应用目录（见 code/ch09/README.md）：

• 1st_flask_app_1/：最简单的 Flask Web 应用；
• 1st_flask_app_2/：在1st_flask_app_1基础上增加灵活的表单校验与渲染；
• movieclassifier/：把电影评论分类器嵌入 Web 应用；
• movieclassifier_with_update/：与movieclassifier相同，但启动时从 SQLite 数据库更新模型。

本地运行方式为进入对应目录并执行主应用脚本：

cd ./1st_flask_app_1 python3 app.py

终端会出现典型输出：

* Running on http://127.0.0.1:5000/ * Restarting with reloader

然后在浏览器中访问终端显示的地址（通常为 http://127.0.0.1:5000/）即可查看应用。

从仓库源码看，movieclassifier/目录的结构印证了第 9 章的工作流：vectorizer.py负责词袋向量化与特征提取，pkl_objects/下存放序列化后的分类器（classifier.pkl）与停用词（stopwords.pkl），reviews.sqlite用于存储数据，templates/提供reviewform.html、results.html、thanks.html等页面模板。这正对应章节大纲中的“序列化 scikit-learn 估计器 → 搭建 SQLite 数据库 → 开发 Flask 应用”三步流程。值得注意的是，仓库根目录另有 code/ch09/pickle-test-scripts/（含pickle-dump-test.py、pickle-load-test.py及小样本movie_data_small.csv），用于单独验证 pickle 序列化/反序列化流程的可用性。

六、工程化验证：用 nbconvert 自动化执行全部 16 章 Notebook

仓库在 code/tests/test_notebooks.py 中提供了覆盖全部章节的自动化测试，这是理解“代码示例如何保证可运行”的关键源码证据。其核心机制如下：

args = ["jupyter", "nbconvert", "--execute", "--inplace", "--debug", "--ExecutePreprocessor.timeout=5000", "--ExecutePreprocessor.kernel_name=%s" % kernel_name, nb_path]

• 使用jupyter nbconvert --execute对 notebook 进行就地执行（--inplace），即以实际运行结果校验代码正确性；
• 每个单元的超时上限设为 5000 秒（--ExecutePreprocessor.timeout=5000），适配深度学习章节较长的训练耗时；
• 根据 Python 大版本自动选择内核：Python 3 使用kernel_name='python3'，否则使用'python2'；
• 每个测试方法对应一章（test_ch01~test_ch16），执行前会os.chdir到对应章节目录，保证相对路径数据（如iris.data、wine.data）能被正确加载。

测试中对部分章节做了条件限定：test_ch08、test_ch09、test_ch16仅在 Python 3 下运行（注释给出的理由是 Py2 的 unicode 处理差异，以及 ch09 依赖 Python 3 特定的 pickle 文件）。这套测试与顶层 README 的 Travis CI 构建状态徽章相互印证——16 章 notebook 均可通过真实执行验证，而不是静态的占位代码。

七、使用边界与注意事项

根据 code/README.md 的原文声明，使用本仓库代码时需注意三点：

1. 代码 ≠ 全书：notebook 不包含公式与描述性文字，建议配合《Python Machine Learning（第 2 版）》书本正文使用；
2. 版本约束：请确保核心依赖满足上文“最低版本表”，否则部分示例可能因 API 变化而运行失败；
3. 环境差异：Python 2.7 仅在“可能兼容”范围内，深度学习相关章节（ch12~ch16）与 Flask 应用（ch09）更建议在 Python 3 环境中运行。

如需反馈问题，可按 code/README.md 末尾的 Contact 段落联系作者（邮箱、Google Groups 邮件列表以及作者博客/社交账号均可），本书亦存在已发布的第三版（2019 年 12 月）代码仓库，本文介绍的为第二版仓库内容。

结语

从环境搭建（Python/pip/conda、Jupyter Notebook）、16 章完整索引，到 Notebook 与.py双轨使用方式、第 9 章 Flask 应用实战与nbconvert自动化验证，本仓库的 code/README.md 实际上是一个“一键上路”的随书代码中枢。按本文路径配置好环境后，从 code/ch01/README.md 起步，逐章打开 code/ch02/ch02.ipynb 直至 code/ch16/ch16.ipynb，即可完整复现书中从感知机到循环神经网络的整条学习曲线。

• 示例工程
• 机器学习
• 深度学习