파이썬 가상환경 설정

1. 실행환경 설정

1.1 파이썬 설치

  • 설치파일 다운로드

  • 설치파일 실행(windows 기준)

    • 최신 버전의 Windows의 경우
      • ‘Windows Terminal’ / ‘PowerShell’ / ‘명령 프롬프트’에서 python 실행
      • 파이썬 버전을 선택하려면

1.2 가상환경 설정

  • 가상환경을 사용하는 이유
  • 파이썬 프로젝트는..
    • 프로젝트의 특징에 따른 다양한 환경을 가짐
    • 각 프로젝트마다 다른 버전의 파이썬과 모듈을 사용하는 경우가 많음
    • 그러나 오픈소스 프로젝트의 특징에 의해 각 라이브러리, 모듈, 버전에 따라 개발자 및 개발 정책이 상이한 경우가 많음
    • 이 때문에 많은 파이썬 라이브러리 및 모듈은 버전별 호환성 문제가 존재함
    • 이러한 이유로 파이썬 프로젝트는 가상환경에서의 개발을 권장함


  • 파이썬 가상환경 직접 구축하기

    • 가상환경을 지원하는 도구
      • VirtualEnv: 구버전의 파이썬에서부터 많이 사용되어 온 도구
      • Venv: 파이썬 3.4 부터 기본적으로 포함된 도구 (권장)
      • Anaconda: 최근 가장 인기있는 파이썬의 배포 패키지

    • 가상환경 설정하기 (Windows 기준)

      1. 작업용 폴더(디렉토리) 생성

        • 작업용 폴더(디렉토리)의 생성은 필수사항이 아닌 권장사항임
        • mkdir 명령을 통해 작업용 폴더(디렉토리)를 생성함 (mkdir: make directory)
          • 윈도우 탐색기에서 생성해도 무방함

          • 생성한 폴더 안에서 작업을 진행함 (권장사항)

      2. 가상환경 설정

        • python -m venv [생성하고자 하는 가상환경의 이름]

      3. 가상환경 활성화

        • .\Script\activate 명령으로 가상환경 활성화

          • 프롬프트의 앞에 (가상환경이름)이 표시되면 활성화 성공임

        • Linux/Mac의 경우 : $ source ./bin/activate 명령으로 활성화
          • 해당 가상환경의 폴더에 들어와 있는 경우에는 source ./bin/activate를 사용하고
          • 그렇지 않은 경우에는 source 가상환경이름/bin/activate를 사용함
        • 가상환경 활성화 오류 발생 시 해결 방안

          • Windows 환경에서 PowerShell을 사용하는 경우 다음과 같은 오류가 자주 발생함

            • 대부분의 경우 권한부족으로 인한 문제임

            • PowerShell을 관리자 권한으로 실행한 후

            • Set-ExecutionPolicy RemoteSigned 명령 실행

              • 변경 여부 확인에서 Y (또는 A) 선택

  • 가상환경 구축 명령어 정리

    • Linux / MAC의 경우

        #// file: "Terminal: bash"
  cd workspace
  python -m venv myenv
  cd fab
  source ./bin/activate

  pip install numpy pandas matplotlib jupyter
  jupyter notebook

  deactivate

    • Windows의 경우

        #// file: "Terminal: bash"
  cd workspace
  python -m venv myenv
  cd fab
  ./Scripts/activate

  pip install numpy pandas matplotlib jupyter
  jupyter notebook

  deactivate


  • 가상환경의 이름을 ‘프로젝트 명’으로 할 것인가, ‘venv’ 등의 통일된 이름으로 할 것인가는 개발자/팀의 정책에 따를 것
    • ‘프로젝트 명’으로 하는 경우
      • 다양한 프로젝트를 수행하는 경우에 프로젝트 별로 인식하기 편리함
      • 생성되는 폴더 명이 프로젝트 명이 되고 그 안에 모든 파일들이 설치됨
      • 프로젝트의 환경 파일들이 포함된 각 폴더들이 앞으로 작성할 소스코드와 같은 위치에 있게 됨
      • 파일이 아니라 폴더이므로 파일끼리 섞이거나 할 위험이 있는 것은 아님
    • ‘venv’로 하는 경우
      • 프로젝트 폴더를 별도의 이름으로 만든 후, 프로젝트 폴더 내부에서 ‘venv’로 가상환경을 만듦
      • 프로젝트 폴더 자체가 별도로 만들어졌기 때문에 모든 프로젝트 환경에서 동일한 설정을 사용할 수 있음
      • 앞으로 작성할 소스코드 외에는 ‘venv’ 폴더 안에 필요한 모든 파일들이 설치됨
      • 다만 폴더의 레벨이 한 단계 더 깊어짐

2. Google Colaboratory(Colab)

2.1 가상환경 직접 구축 시의 문제점

  • 일반 프로젝트의 경우
    • 혼자 작업할 때
      • 그다지 문제는 없음
    • 여러 팀원이 협업할 때
      • 각자의 시스템 사양이 다른 경우 개발 환경이 차이가 날 수 있음
      • 동일한 가상환경을 구축한다면 문제가 없어야 하지만 실제로는 가끔 문제가 발생함
        • 예: 동일한 가상환경이지만 CPU/RAM 등의 차이에 의한 결과물의 성능 차이 발생. 특히 동기화 등의 작업 시 발생 가능성이 높아짐
  • 학습/교육의 경우
    • 학습자의 환경이 서로 다를 경우, 예제 코드의 작동 여부 및 결과가 다르게 나타날 가능성이있음
  • 데이터 분석 / AI 관련 프로젝트의 경우
    • 가장 큰 문제는 비용
    • 딥러닝용(또는 데이터 분석용) PC/서버를 직접 구성하려면 대규모의 GPU가 필요함
      • NVIDIA H199 80GB(고급사양) 가격: 약 4,565만원(2025년 3월 기준)
      • NVIDIA RTX 5090(개인용) 가격: 약 705만원(2025년 3월 기준)
      • NVIDIA RTX 4090 Ti 24G(개인용) 가격: 약 475만원(2025년 3월 기준)

      → 이러한 이유로 Google에서 제공하는 Colab 활용 권장

2.2 Colab의 특징

  • Colab의 지원 환경
    • 파이썬 / R 지원
    • Jupyter Notebook과 유사한 클라우드 기반 개발 환경 제공
    • 브라우저 기반의 개발환경 제공 → 스마트폰에서도 사용 가능
    • GPU / TPU 지원
  • Colab과 다른 유사 서비스와의 차별성
    • 유사한 다른 서비스의 경우: 1일 무료 사용량을 초과하면 자동으로 과금됨
    • Colab의 경우: 1일 무료 사용량을 초과하면 당일의 GPU 사용이 제한될 뿐 과금되지 않음

2.3 Colab 사용하기

  • Gmail 계정 생성(무료)
    • 타 메일 계정을 사용해도 괜찮지만 서비스 활용 시 제한이 있을 경우가 있음
  • Google Drive(G-Drive) 확인
    • Colab 서비스는 무료인 대신 12시간이 지나면 메모리에서 작업내용이 삭제됨
    • 작업 내용, 데이터 파일 등을 Google Drive와 연동하여 사용함으로써 해결 가능
    • 무료 용량: 최대 15GB
  • Colab 환경 설정

    • G-Drive 화면에서 마우스 우클릭 메뉴에서 Colaboratory 선택

    • Colaboratory 메뉴가 보이지 않는 경우

      1. https://colab.research.google.com 접속

      2. 우측 하단 “새 노트“ 선택하여 Note 생성

      3. 원하는 파일명 지정 후 작업 시작

        • 작업 내용은 자동 저장되며, 파일 메뉴에서 직접 저장도 가능

      4. 저장 후 자동으로 생성된 Colab Notebooks 폴더로 돌아가서 작업 파일 저장 확인 가능

    • 작업 진행

3. 외부 라이브러리

  • NumPy
    • 파이썬에서 다차원 배열(ndarray) 객체를 효과적으로 처리하고, 고성능 수치 계산을 가능하게 하는 핵심 라이브러리
    • 대규모 행렬 및 벡터 연산에 최적화되어 있음
    • 머신러닝 모델의 학습 과정에서 발생하는 수많은 수치 계산의 기반이 됨
    • 교재에서는 1.16.6 버전을 사용하고 있음
    • 설치 명령: pip install numpy==1.16.6
  • Pandas
    • 데이터 분석 및 조작을 위한 강력한 라이브러리
    • ‘DataFrame’이라는 테이블 형태의 자료 구조를 중심으로 데이터의 읽기, 정리, 필터링, 통계분석 등을 효율적으로 수행하기 위하여 사용됨
    • 데이터 전처리 단계에서 필수적이며, AI 모델에 입력할 데이터를 가공하는 데 매우 유용합니다.
    • 교재에서는 1.1.2 버전을 사용하고 있음
    • 설치 명령: pip install pandas==1.1.2
  • Matplotlib
    • 파이썬에서 데이터를 시각화하기 위해 가장 널리 사용되는 라이브러리
    • 간단한 선 그래프부터 복잡한 3D 플롯까지 다양한 형태의 그래프를 생성
    • 데이터의 패턴, 추세, 이상치 등의 시각적 분석과 모델의 성능 평가를 지원함
    • 교재에서는 3.3.2 버전을 사용하고 있음
    • 설치 명령: pip install matplotlib==3.3.2
  • 그 외 수많은 라이브러리가 존재함