기본 콘텐츠로 건너뛰기

[Python] 기본적인 pip 명령어 모음


pip 명령어는 무엇일까?
어렵지 않습니다. 한줄 요약을 먼저 보고 본문 내용응 천천히 이해해볼까요? 혹시나 이해가 어려분 부분이 있다면, 꼭 알려주세요.

한 줄 요약
    ⓐ 파이썬 패키지 관리자다. 다양한 패키지를 설치, 업데이트, 삭제할 수 있다.


먼저 pip(Package Installer for Python)는 파이썬에 기본적으로 내장되어 있는 패키지 매니저이다. 이 명령어를 사용하면 Python Package Index에 다른 개발자들이 올려놓은 패키지를 쉽게 다운로드하고 설치할 수 있다. 이번 포스팅에서는 pip를 사용하여 패키지를 관리하는 기본적인 방법에 대해서 알아보겠다.

여기서 문득 누군가는 conda는 무엇일까?란 생각을 할 것 같아서 미리 답을 달아봅니다. Conda는 아나콘다에서 제공하는 파이선 패키지 매니저라고 생각하시면 좋을 것 같습니다. 범위로 보면 pip > conda 입니다. 즉 pip install OOO 시작하면 대부분은 설치되니.. 참고 바랍니다.

기본적인 pip 명령어 모음👍

터미널(Terminal)이나 쉘(Shell) 등 프롬프트(Prompt)에서 다음의 명령어를 실행하면 된다. 통합 개발 환경(IDE, Jupyter Notebook, VScode 등)에서도 명령어를 사용할 때는 pip 앞에 ! (느낌표)를 붙여주자. 예를들면 !pip install {package name}와 같다.

 python -version

 파이썬 version 확인

 pip -version

 pip 버전 확인

 pip list

 설치된 패키지 목록 확인

 python -m pip install --upgrade pip

 pip 업그레이드

 pip install --upgrade pip

 상기동일

 pip install {package name}

 {package name} 설치

 pip install {package name}==1.0

 {package name} 1.0버전 설치

 pip install --user {package name}==1.0

 {package name} 1.0버전 강제 설치

 pip uninstall {package name}

 {package name} 삭제

 pip search {package name}

 {package name} 검색

 pip install --upgrade {package name}

 {package name} 업그레드

 pip freeze

 현재 작업 환경 설치된 패키지의 리스트를 모두 출력

 pip freeze > {title}.txt

 패키지 리스트 {tile}.txt 파일로 출력

 pip install -r {title}.txt

 {tile}.txt 파일에 저장된 패키지 리스트를 읽어(read)서 설치

다만 pip install -r {title}.txt 활용하여 설치할 경우, 단 한개라도 package 설치가 fail할 경우 그대로 작업이 중지하는 (치명적)단점이있다. 그래서 보통 노트북을 이미지화하여 가상 환경에 적용할 수 있는 docker 등을 활용하면 좀더 편한 파이썬 환경을 구축할 수 있다. 관련해서 기회가 되면 별도로 포스팅하겠습니다.

도커는 필수...

왜 package 관리가 필요할까? 예로 딥러닝 모델의 설명 가능 영역은 항상 블랙박스로 가려져 있다. 최근 설명 가능한 AI 즉, XAI (eXplainable AI) 활용하여 모델의 설명력을 확보하고자 한다. AI의 판단을 증별할 수 있도록 그래프, 차트 등의 형태로 자세한 설명을 가능하도록하였다 [1]. 이미 2010년대 이후로 유럽과 미국은 AI 기술을 활용할 경우 설명가능한 AI 모델을 사용하게끔 법제화하고 있다. 대표적인 XAI package의 경우 SHAP 있다. SHAP의 일부 버전은 tensorflow 일부 버전과 호환가능하다 [2]. 
즉 최신의 tensorflow가 항상 모든 package 버전을 호환하지는 못하므로, 일부 필요할 경우 pip 명령어를 이용하여 버전을 맞춰야 한다. 또한 서로 협업하는 동료와 서로 다른 Pandas 버전을 가지고 있다면, 간혹 안되는 경우도 있다.

[ pip list 명령어의 예 ]

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
C:\Users\starl>pip list
Package                      Version
---------------------------- ---------
absl-py                      1.4.0
anyio                        3.6.2
argon2-cffi                  21.3.0
argon2-cffi-bindings         21.2.0
arrow                        1.2.3
(중략)
keras                        2.10.0
Keras-Preprocessing          1.1.2
keras-tqdm                   2.0.1
kiwisolver                   1.4.4
lark                         1.1.7
libclang                     15.0.6.1
Markdown                     3.4.1
MarkupSafe                   2.1.2
matplotlib                   3.6.3
matplotlib-inline            0.1.6
numpy                        1.24.1
oauthlib                     3.2.2
opt-einsum                   3.3.0
packaging                    23.0
pandas                       1.5.2
soupsieve                    2.4
stack-data                   0.6.2
tenacity                     8.2.3
tensorboard                  2.10.1
tensorboard-data-server      0.6.1
tensorboard-plugin-wit       1.8.1
tensorflow                   2.10.1
wrapt                        1.14.1
xgboost                      1.7.4
cs

설명 가능한 인공지능(XAI)... 왜 주목하나?
SHAP DeepExplainer with TensorFlow 2.4+ error
Labels:

댓글

댓글 쓰기

이 블로그의 인기 게시물

[AI] RAG란 무엇인가?

자고 일어나면 인공지능 관련 기사와 내용이 참 많습니다. 소위 AI시대 대격변 속에서 무엇을 해야할지 고민이 많습니다. AI의 기본적인 이론도 중요하지만, 최근 트렌드를 잘 알고 잘 써먹을 수 있는 것도 개인의 역량이 아닐까 싶습니다. 즉 AI를 하나의 도구로 생각하고 도구를 잘 써먹으면 좋지 않을까요? 오늘은 RAG(검색-증강-생성)이란 무엇인지 간략하게 끄적여보겠습니다. 3줄 요약 ⓐ 검색(Retrieval)은 요청된 외부 지식 을 가져온다. ⓑ 증강(Augmented)은 질문 것에 요청된 것을 더한다 . ⓒ 생성(Generation)은 사용자의 질문에 더한 것을 받아 텍스트로 생성 한다.   ⅰ RAG(검색-증강-생성)이란 무엇인가? 최근 인공지능 기술의 발전은 다양한 분야에서 혁신을 일으키고 있으며, 그 중에서도 텍스트 기반의 생성형 AI는 특히 주목받고 있습니다. 하지만 이러한 인공지능 기술이 가진 정확성과 신뢰성의 문제는 사용자와 개발자 모두에게 중요한 과제로 남아 있습니다. 이 문제를 해결하기 위해 등장한 기술 중 하나가 바로 RAG(Retrieval-Augmented Generation)입니다. 자세한 기술적 내용은 RAG 용어가 등장한 2020년 아래의 논문을 참고하기 바랍니다. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks(2020) (본지는 간단한 내용 만을 기술할 목적이기 때문에 IT 기업의 설명 자료를 참고하여 본인이 이해한 내용을 작성 하였습니다. 혹시나 잘못된 정보가 있다면 알려주세요.) RAG(Retrieval-Augmented Generation)는 단어 풀이 그대로 '검색 증강 생성'이란 뜻 입니다. 먼저 Retrieval 이란 의미는 검색이란 뜻보다는 외부 지식 데이터베이스에서 가져오는 것, 어딘가에서 요청된 무엇인가를 가져오는 것 을 이야기합니다. 그리고 Augmented 는 증강이란 뜻으로 원래 것에 뭔가를 더하거나 보태어 더 실해졌다 는 ...
댓글 1개
Read more »

[Machine Learning] 경사 하강법 (Gradient Descent)

모델의 오류는 왜 중요할까? 들어가기 전에 한 줄 요약해보겠습니다. 의심하며 본문의 내용을 읽어주세요. 혹시나 다른 내용이 있다면 덧글 부탁드립니다. 모델의 계수를 구하기 위해 가중치를 바꿔가며 전역(global) 기울기가 0인 곳을 잘 찾아보자 . 들어가기 머신러닝 혹은 딥러닝의 가장 적합한 모델 이라 함은 대부분 모델의 오류(error)를 최소화 하는 것을 의미한다. 즉, 어떤 모델(단변량 함수)의 계수의 최적값을 찾는 것으로 생각 할 수 있다. 최적화 문제를 풀기위해 경사 하강법 이라 부르는 방법을 사용할텐데, 이는 곧 함수의  기울기 를 계산하고 경사의 이동방향의 반대 방향으로 이동하여 극값 (=0) 을 찾는 문제 와 같다. 접선의 오류를 찾는 손실함수는 다음 포스트에서 다루도록 하겠다. (즉 머신러닝/딥러닝 최적 모델은 함수의  기울기와 접선의 오차를 줄이는  것이다) 본 포스트에서는 경사 하강법의 기본 개념에 한하여 설명하도록 하겠다. 우리가 생각하는 1차원 혹은 2차원에서의 기울기 최소값이 아닌 아래 그림과 같이 3차원 이상의 다차원에서는 함수에 하나의 전역 최소값(global minimum) 이 존재하는 경우 꽤 쓸만하지만, 함수에 지역 최소값(local minimum) 여러 개 있는 경우에는 시작점을 어디에 잡냐에 따라 잘못된 곳으로 빠질 수 있다. (*딥러닝의 경우 때에 따라 다차원 함수의 최소값을 찾아야 한다. 이는 인간의 머리로는 한계가 있다.) Python 코드를 활용해 간단한 그라디언트 함수를 만들어 보자. f가 단변수 함수인 경우, 점 x 에서의 미분값은 x가 아주 조금 변했을 때 f(x)의 변화량 을 의미한다. x의 변화량을 식에서는 h로 표기한다. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 from  typing  import  Callable def  difference_quoitemt(f: Callab...
댓글 쓰기
Read more »

[Machine Learning] 데이터 증강 (Data Augmentation) 이란?

데이터 증강 (Data Augmentation)이란? 본격적으로 들어가기전 내용을 간략하게 요약하자면 다음과 같다. 요약을 바탕으로 본문에서는 좀더 깊이있게 설명하도록 하겠다. 이미지 데이터의 증강은 회전, 크기 조절, 색생 변화 등 다양한 변환을 통해 학습데이터의 다양성을 인위적으로 늘려 모델의 성능을 형상 시키는 방법 시계열 데이터의 증강은 시간 축 변환, 크기 조절, 시간 이동 등 다양한 기법을 통해 원본 데이터를 변형하여 학습 데이터의 다양성을 높이고 모델의 일반화를 향상 시키는 기법 CNN, R-CNN, YOLO 등 모델의 성능을 높이고 오버피팅을 극복할 수 있는 가장 좋은 방법은 다양한 유형의 학습 이미지 불균형 극복을 위한 데이터 양을 늘리는 것입니다. 하지만 사진, 동영상과 같은 이미지 데이터의 경우 학습 데이터 량을 늘리는 것은 쉽지가 않다. 이미지 데이터의 양을 늘리긴 위해서는 결국 클라스(라벨링)의 수도 증가하며, 이는 곧 엄청난 노가다가 필요하기 때문이다. 데이터 증강은 학습 이미지의 개수를 늘리는 것이 아니고 학습 시(epoch) 마다 개별 원본 이미지를 변형해서 학습하는 것 이다. 아래 첨부의 그림과 같이 학습 이미지를 변형할 수 있다. (출처:  https://blog.insightdatascience.com/automl-for-data-augmentation-e87cf692c366) 데이터 증강을 우리 일상생활로 쉽게 설면하자면 우리가 핸드폰 카메라를 통해 사진을 촬영하고 사진의 밝기, 크기, 좌우반전 등을 행하는 것을 이미지 데이터의 증강으로 이해하면 쉽다. tensorflow 에서 간단한 예제를 활용하여 이미지 데이터의 증강을 설명하고 있다. 본 블로그에서는 몇 가지 대표적인 데이터 증강 종류를 간단히 설명하고 마무리 하겠다. 기회가 된다면 텍스트 및 시계열 데이터의 증강 방법도 간략히 소개 후 마무리 하겠다. 이미지 데이터의 증강 (출처:  https://www.invivoo.com/ ) 이미지에 아래와 같이...
댓글 쓰기
Read more »