Déploiement de l'IDE PyCharm sur Linux

Après avoir récupéré l'archive officielle de PyCharm (Édition Communautaire ou Professionnelle), l'extraction peut être réalisée via le terminal en spécifiant un répertoire de destination dédié :

tar -xzf pycharm-community-2024.1.tar.gz -C /opt/

Le lancement de l'application s'effectue en exécutant le script d'initialisation situé dans le répertoire bin :

cd /opt/pycharm-community-2024.1/bin
./pycharm.sh

Contournement de l'erreur GLIBC sous les anciennes distributions

Sur des systèmes d'exploitation anciens comme Ubuntu 18.04, l'exécution de versions récentes de PyCharm peut échouer avec l'exception GLIBC_2.28 not found. Au lieu de modifier les sources APT du système pour y inclure des dépôts Debian tiers (ce qui risque de corrompre les paquets natifs et forcer la langue du système en anglais), une approche plus isolée consiste à précharger la bibliothèque C++ standard fournie par une distribution Anaconda déjà installée :

export LD_PRELOAD=/opt/anaconda3/lib/libstdc++.so.6:$LD_PRELOAD

Cette variable d'environnement force l'éditeur à utiliser la bibliothèque compatible sans altérer la configuration globale du système d'exploitation.

Installation de la distribution Anaconad

Pour optimiser la bande passante et éviter les latences, il est recommandé de récupérer le script d'installation depuis un miroir open-source académique. Une fois le fichier .sh obtenu, l'installation est déclenchée via l'interpréteur bash :

bash Anaconda3-2024.02-Linux-x86_64.sh

L'assistant d'installation en ligne de commande nécessite trois validations successives :

1. Acceptation des termes de la licence : faire défiler le texte et saisir yes.
2. Confirmation du répertoire de destination : valider le chemin par défaut (généralement ~/anaconda3).
3. Initialisation de l'environnement shell : saisir yes pour que le programme d'installation modifie automatiquement le fichier .bashrc et intègre Conda au PATH système.

Administration des environnements virtuels

Conda permet d'isoler strictement les dépendances de chaque projet. Voici le flux de travail standard pour la création et la gestion d'un espace de travail :

# Création d'un environnement isolé nommé 'projet_ml' avec Python 3.10
conda create --name projet_ml python=3.10

# Activation de l'environnement virtuel
conda activate projet_ml

# Installation de dépendances scientifiques via le gestionnaire de paquets
conda install numpy pandas scikit-learn

# Désactivation et suppression complète de l'environnement
conda deactivate
conda env remove --name projet_ml

Les bibliothèques compilées et installées pour un environnement spécifique sont physiquement stockées dans l'arborescence du système, généralement sous le chemin anaconda3/envs/projet_ml/lib/python3.10/site-packages.

Intégration de l'environnement Conda dans PyCharm

Pour lier l'interpréteur virtuel nouvellement créé à l'espace de travail de l'IDE :

1. Naviguer vers le menu File > Settings > Project > Python Interpreter.
2. Cliquer sur le bouton Add Interpreter puis sélectionner l'option Conda Environment.
3. Choisir le mode Existing environment (environnement existant).
4. Renseigner le chemin vers l'exécutable Conda (conda.exe sous Windows ou conda sous Linux) et sélectionner l'environnement cible (ex: projet_ml) dans la liste déroulante.

Déploiement des frameworks de Deep Learning

Une fois l'environnement virtuel activé dans le terminal de l'IDE, l'installation des moteurs de calcul s'effectue via l'outil pip. L'utilisation d'un index miroir permet d'accélérer significativement le téléchargement des paquets volumineux.

Installation de l'écosystème PyTorch :

pip install torch torchvision torchaudio --index-url https://pypi.tuna.tsinghua.edu.cn/simple

Installation de TensorFlow avec prise en charge matérielle (GPU) :

pip install "tensorflow[and-cuda]"