Anaconda虚拟环境搭建指南:从安装、换源到深度学习环境实战

深度学习环境搭建anaconda+pycharm+pytorch 本文将详细介绍一下如何搭建深度学习所需要的实验环境. 这个框架分为以下六个模块, 显卡 简单理解这个就是我们常说的GPU,显卡的功能是一个专门做矩阵运算的部件,用于显示方面的运算,现在神经网络中绝大操作都是对矩阵的运算,所以我们当然可以将显卡的矩阵运算功能应用起来,来提高计算速度. 驱动 通常指NVIDIA Driver,其实它就是一个驱动软件,而前面的显卡就是硬件 cuda cuda是一个扩展包,能够使得使用GPU进行通用计算变得简单和优雅,它本质上是一套指令集,我们通过这个指令集来使用显卡的矩阵运算操 阅读详情

手上同时压着三个项目,一个必须跑 PyTorch 2.x 的新算子,一个卡在旧框架上动不了,还有一个祖传脚本只能在 Python 3.7 里活着——如果你也遇到过这种局面,那说明你已经站在了“环境地狱”的门口。Anaconda 虚拟环境搭建这件事,说白了就是给每个项目单独发一间房子,谁也别往谁的客厅里扔垃圾。这篇教程面向的是完全没碰过 conda 的新手,也适合那些装过一次 Anaconda 但至今没搞明白“虚拟环境到底隔离了什么”的半熟手。我会从安装包怎么选、下载源怎么换、命令行怎么敲、报错怎么查一路讲到底,中间穿插大量我这些年踩出来的坑,尽量让你少走一遍我走过的弯路。核心关键词 Anaconda、虚拟环境、环境搭建这三件事,我会拆成可以照抄的命令和可以对照的表格,跟着敲一遍就能跑通。

1. 先把概念理清楚,别急着下载安装包

1.1 一个真实的翻车现场

先说一个我亲身经历的场面。几年前我在一台开发机上直接往系统 Python 里装依赖,图省事用 pip 一顿乱装,结果某天升级了一个包,另一个项目的代码直接跑不起来了,报的错还很离谱——某个底层库的 ABI 对不上。排查了大半天才发现,是我升级的包把另一个项目依赖的旧版本覆盖掉了。系统里只有一个 Python,所有项目共用同一套 site-packages,谁先装谁后装、谁覆盖谁,全靠运气。这就是没有虚拟环境的世界,所有人挤在一个房间里抢同一个插座。

虚拟环境要解决的正是这个问题。它本质上是一份独立的 Python 解释器副本,加上一份独立的第三方包目录。你用 conda 创建环境的时候,conda 会在自己的目录下开一个文件夹,把解释器、pip、setuptools 这些基础组件复制进去,之后你在这个环境里装的任何包,都只会落在它自己的文件夹里。系统 Python 和别的环境完全感知不到。换句话说,隔离发生在文件系统层面,不是什么抽象概念,你打开 Anaconda 的安装目录就能看到 envs 文件夹下面一排排的环境。

1.2 虚拟环境到底隔离了哪些东西

新手最容易误解的一点是:以为虚拟环境隔离的是“Python 版本”。这只说对了一小部分。真正被隔离的东西有三层。第一层是 Python 解释器本身,所以你可以在这个环境里用 3.9,在那个环境里用 3.11。第二层是第三方库,各装各的,互不影响。第三层才是很多人忽略的——非 Python 的二进制依赖。conda 的野心比 pip 大得多,它管的不只是 Python 包,还包括编译好的 C/C++ 库、CUDA 运行库之类的二进制组件,这也是为什么在做深度学习环境时,conda 往往比 pip 省心。

我用一个生活类比来收尾这个概念:pip 像是在超市买半成品菜,你只管挑,回家还得自己有锅有灶;conda 更像是一个带厨房的包间,它连锅碗瓢盆和燃气都一起给你配齐了。所以在数据科学、深度学习、科学计算这些场景里,conda 的优势会非常明显。反过来,如果你只是写个几十行的脚本,用 venv 就够了,不必上 Anaconda 这套重装备。

1.3 Anaconda、conda、pip 三者的关系

这三个词经常被混着叫,我见过有同事说“我用 Anaconda 装了个包”,其实是 conda 装的;也有人说“conda 是个软件”,严格讲 conda 是包管理器和环境管理器的集合。梳理一下:Anaconda 是一个发行版,里面打包了 conda、Python、一堆常用的科学计算库(NumPy、Pandas、Jupyter 等)以及图形化的 Navigator。conda 是 Anaconda 里真正干活的命令行工具,负责装包和管环境。pip 是 Python 官方的包管理工具,Anaconda 里也自带一份。

日常使用中,我的建议是:能用 conda 装的就用 conda 装,尤其是 NumPy、PyTorch、SciPy 这类带二进制扩展的库;conda 源里确实找不到的,再退回 pip。原因是这两者的包格式和依赖解析机制不同,混着装容易造成依赖冲突,而且 conda 装的包如果被 pip 覆盖过,后续 conda 更新时会报出一堆莫名其妙的错。记住一条铁律:在一个环境里,尽量先用 conda 把能装的装完,最后再用 pip 补漏,不要来回横跳。

2. 安装包怎么选、从哪下载,这一步就有人栽了

2.1 Anaconda 还是 Miniconda,别一上来就选错

Anaconda 的完整安装包体积很大,动辄几个 GB,装完之后占用的磁盘空间可能接近 5 GB。Miniconda 则是精简版,只包含 conda、Python 和最基本的几个包,安装包只有几十 MB。很多人上来就下 Anaconda,装完发现一堆用不上的库躺在硬盘里,还得手动清理。

我的建议是这样:如果你刚入门,想开箱即用,尤其是想立刻用 Jupyter Notebook 和 Spyder,那就装 Anaconda,省事。如果你已经有一定基础,习惯了用虚拟环境管理一切,或者磁盘空间紧张、在服务器上部署,那就装 Miniconda,后面需要什么环境里现装什么。两者在 conda 命令的使用上完全一致,你可以随时从 Miniconda 升级到 Anaconda 的功能集(用 conda install anaconda 即可),反过来则没有这么顺畅。

2.2 从官网下还是从国内镜像站下

官网的下载速度在一些网络环境下会非常慢,几百 MB 的包可能下到一半断掉。我一般会直接去国内的镜像站拿安装包,速度稳定得多。清华大学开源软件镜像站和北京外国语大学镜像站都有 Anaconda 的安装包存档,路径通常在 anaconda/archive 目录下。打开网页后按时间排序,找最新的版本,注意看清楚文件名里的系统标识。

选安装包的时候要盯紧三个信息:版本号、操作系统、位数。Windows 是 Windows-x86_64.exe;macOS 要注意区分 Intel 芯片和 Apple Silicon 芯片,分别对应 x86_64 和 arm64;Linux 是 Linux-x86_64.sh。下载下来之后,有条件的话核对一下文件的哈希值,镜像站偶尔会有同步不完整的情况,虽然概率很低,但用哈希核对一次只要几秒钟。

注意:不要从任何来路不明的第三方站点下载安装包,安装类文件被篡改的风险很高,尤其是需要管理员权限运行的安装程序。

2.3 官网版本和镜像版本的取舍

镜像站同步会有延迟,最新的版本可能还没同步过来。这时候没必要死等,往前退一两个小版本完全没问题,conda 的版本差异对日常使用几乎没有影响,真正重要的是环境里的

Linux系统搭建深度学习环境详细教程 1.下载Miniconda 我们直接去国内的清华源下载,下面是链接地址:https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/ 下载完之后,我们开始安装 2.安装Miniconda 首先进入~/Downloads目录 我们完成了安装 执行换源操作 channels: - defaults show_channel_urls: true channel_alias: https://mirrors.tuna.tsinghua.edu. 阅读详情

相关推荐

Anaconda虚拟环境创建全流程:从安装换源到IDE配置避坑指南

Python包依赖冲突是开发中的常见问题,虚拟环境通过隔离机制为每个项目提供独立的运行空间。conda作为跨平台包管理器,不仅能管理Python包,还能处理CUDA等非Python依赖,其环境创建、激活与迁移是工程实践中的基础技能。在深度学习、数据科学等场景中,不同项目对numpy、pytorch等库的版本要求各异,合理使用虚拟环境可避免全局污染与版本冲突。本文围绕anaconda与conda,系统梳理虚拟环境的创建、换源、包管理及IDE配置,帮助开发者高效管理Python环境。

weixin_33416697的博客 221

Miniconda安装与PyTorch环境搭建:从换源到CUDA配置的完整指南

虚拟环境管理是Python开发中的基础能力,conda通过依赖解析和环境隔离实现多项目版本共存。Miniconda作为轻量级发行版,仅包含conda和Python核心组件,安装包约100MB,相比Anaconda的3-5GB更加灵活可控。在深度学习场景中,conda可自动管理CUDA运行时库,无需单独安装CUDA Toolkit,配合国内镜像源可大幅提升包下载速度。常见应用包括服务器多环境管理、PyTorch GPU环境搭建、团队环境迁移等。本文详细记录了Miniconda安装、换源配置、虚拟环境管理及Py

weixin_34314962的博客 988

【HDLBits实战】从真值表到最优电路:SOP与POS形式在ECE241考题中的精妙应用

本文以HDLBits平台上的ECE241考题为例,详细讲解了如何从真值表出发,利用卡诺图化简技术,推导出最优的积之和(SOP)与和之积(POS)逻辑表达式。文章重点剖析了如何处理“无关项”以简化电路,并通过Verilog代码实现对比,阐述了SOP与POS形式在数字电路设计中的精妙应用与实战价值。

z2a3b4c5d的博客 218

CST新手必看:共面波导色散曲线绘制全流程(附参数设置详解)

本文为CST新手提供了绘制共面波导色散曲线的完整流程与参数设置详解。从模型搭建、周期性边界条件设置,到本征模求解器配置和参数扫描技巧,逐步解析关键步骤,并分享后处理与结果验证方法,帮助用户高效完成仿真任务。

j0k1l2m3n的博客 430

新手别怕!用‘东北天’和‘右前上’坐标系,5分钟搞懂惯性导航姿态矩阵(含Python验证代码)

本文通过‘东北天(ENU)’和‘右前上(RFU)’坐标系,详细解析惯性导航中的姿态矩阵概念。包含Python代码验证,帮助新手快速理解坐标变换、欧拉角及旋转矩阵的构建与应用,特别强调有限转动不可交换性与无限转动次序无关的区别。

weixin_29062255的博客 336

Abaqus传热分析HETVAL和USDFLD子程序联合

Hetval子程序常用于定义内部热源,该子程序可以定义材料内部的生热量(如相变、高分子结晶生热),并且能够调用state variable 状态变量,可以与USDFLD子程序联合使用。HETVAL子程序用于计算传热系数并在单元上定义,USDFLD子程序用于在每个时间布更新温度场。

qq_41900477的博客 2666

Dell R730安装Windows Server 2008 R2

一、RAID驱动准备  在安装Windows server2008 R2操作系统时,如果没有发现硬盘,请将下面的阵列卡驱动先解压(在下载的.exe文件,双击点下一步会自动解压),解压后把那文件夹复制到U盘中。阵列卡 PERC9 H330 - H730 - H730P - H830 Controllers for Windows Server 2008 R2二、系统安装方法方法一:光盘安装  ①请您...

MarshLin 2万+

机理模型与数据模型融合的方式

风电场的发电量受到多种因素的影响,包括但不限于风速、温度、空气密度等。尽管这些环境变量可以直接测量并用作模型输入,但它们与发电量之间的关系往往是复杂的非线性关系。通过引入基于物理定律计算出的理论发电量作为额外特征,可以为数据驱动模型提供更丰富的信息,从而提高预测精度。在这个案例中,我们将使用贝茨理论(Betz Limit)来计算风电场的理论发电量,并将其作为一个新的特征添加到数据集中。然后,我们使用增强后的数据集训练一个简单的神经网络模型来进行发电量预测。

金石软件 4823

4D 毫米波雷达:智驾普及的新路径(一)

总体而言,4D 毫米波雷达具有更佳的探测能力,更高的分辨率和精度,在人工智能技术的加持下,能够实现更加智能化的感知和跟踪,从而为自动驾驶、智能交通等领域提供更加可靠的数据支持。博世的第五代引入了俯仰维度,但其角度分辨率较差,且最大探测距离为。车载毫米波雷达的尺寸受限,我们认为通过算法的优化、天线内置等方式可以在保障性能的前提下,压缩尺寸,便于车企进行灵活的设计安装。在物理设计、天线性能设计、电连接、封装工艺和材料、散热处理、可靠性与自动化测试等方面进行持续优化,推出可大规模量产的高性能毫米波雷达解决方案。

奔袭的算法工程师 3958

【OpenClaw从入门到精通】第60篇:多智能体协同实战——用“龙虾”搭建你的数字员工团队(2026企业版)

2026年AI Agent企业落地的核心趋势,正从“单Agent单兵作战”转向“多智能体协同组网”。本文以全球开发者先锋大会“百虾大战”真实案例为蓝本,深度拆解OpenClaw多智能体协同的技术内核——三层解耦架构(模型层-技能层-网关层),系统搭建包含项目经理、架构师、执行者、质量把关者的4大核心Agent团队。通过三种主流协作架构对比、全链路配置代码实操、故障自愈实战演练,结合电商新品上架虚拟场景全流程演示,解决企业多Agent部署中的权限隔离、任务协同、运维自治三大核心痛点。

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域,希望和大家共同进步! 774

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

上一篇: RHEL 9.0安装完整实战:从ISO下载、虚拟机配置到订阅注册
下一篇: Spring MVC API元数据采集:从HandlerMethod到权限校验
SimminonGarcia
博客等级 码龄11年 5803粉丝 1243原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址