剛把一臺閑置的筆記本翻出來裝了個 Ubuntu準備給新接的數(shù)據(jù)分析項目跑點東西。裝完之后第一件事就是配環(huán)境正好把一個老生常談但特別容易踩坑的話題重新梳理一遍——Anaconda 和 conda 環(huán)境命令。做 Python 開發(fā)、數(shù)據(jù)清洗、機器學習訓練的人多少都會碰到這種尷尬項目 A 要 Python 3.7 PyTorch 1.13項目 B 要 Python 3.10 TensorFlow 2.15系統(tǒng)自帶的 Python 版本還未必合適。如果所有包都往一個 Python 里塞早晚會撞車輕則我裝了這個毀了那個重則連系統(tǒng)腳本都帶崩。conda 的價值就在這它把 Python 解析器、C 庫、CUDA 相關組件、依賴包都當成“包”來管理一個環(huán)境就是一趟自洽的列車各跑各的軌誰也不礙誰。這篇文章我打算把 conda 從安裝到日常高頻命令完整過一遍重點講清楚每個命令背后在做什么以及那些網(wǎng)絡上常被一句帶過的報錯403 Forbidden、MemoryError、conda init no change、activate 不生效到底是什么原因、怎么處理。不管你是剛下載完 Anaconda 準備配置 Pytorch 環(huán)境的新手還是想把手頭 Linux 環(huán)境遷到 Windows 的方案黨這篇都能拿來直接抄作業(yè)。1. 安裝與初始化讓 conda 命令先能用起來大多數(shù)人第一次翻車不是在用 conda 的時候而是在安裝和初始化環(huán)節(jié)。網(wǎng)上資料又多又雜一會兒讓你裝 Anaconda一會兒讓你裝 Miniconda還有人推薦 Miniforge。實際操作下來不同發(fā)行版差異不小選錯了后面全是坑。1.1 發(fā)行版選型Anaconda、Miniconda、Miniforge 到底有什么區(qū)別先說結論這三個東西不是同一個維度上的“三個版本”而是“Anaconda 全家桶”和“精簡版”以及“社區(qū)版”的關系。發(fā)行版體積默認 channel預裝包適合場景Anaconda3GB 以上defaultsAnaconda 官方自帶 250 數(shù)據(jù)科學常用包新手、離線環(huán)境、要用 spyder/navigator 圖界面Miniconda400MB 左右defaults幾乎不預裝只帶 conda、Python 和必要依賴日常開發(fā)、服務器環(huán)境、想自己按需裝包的人Miniforge500MB 左右conda-forge幾乎不預裝默認走 conda-forge 社區(qū)源、避免商業(yè)許可限制的場景我自己的經(jīng)驗是服務器上基本都裝 Miniconda輕靈活不占地方。個人筆記本上裝了 Anaconda因為偶爾需要打開 Anaconda Navigator 看看包版本、點點安裝也挺方便。至于 Miniforge如果你的項目要避免使用 Anaconda 官方 channel有些企業(yè)有商業(yè)授權限制或者你長期只用 conda-forge 里的包那就直接上 Miniforge省得后面一直加-c conda-forge。還有一個判斷標準如果你完全不確定自己需要什么先裝 Miniconda需要哪個包再conda install哪個包。Anaconda 雖然開箱即用但預裝包版本有時會偏舊反而不如白手起家的環(huán)境干凈。1.2 下載安裝與環(huán)境變量Windows / macOS / Linux 三個平臺的差異安裝這塊最容易出問題的是兩件事環(huán)境變量沒配上或者裝的時候沒讓安裝器幫忙寫 PATH。Windows 上直接去官網(wǎng)下載安裝包或者走清華大學開源軟件鏡像站anaconda 倉庫里有對應的安裝包下載快很多。安裝到關鍵步驟時安裝界面會問“Add Anaconda to my PATH environment variable”這句話的意思是是否把 conda 寫進系統(tǒng)全局 PATH。早期版本默認不勾選我第一次裝的時候沒勾結果命令行里敲 conda 提示找不到命令折騰半天才發(fā)現(xiàn)是 PATH 的問題。建議在“僅自己使用”且確定不需要系統(tǒng)級 Python 干涉的情況下勾選這一項如果擔心跟系統(tǒng)已有的 Python 沖突也可以不勾然后手動加進 PATH等會講。macOS 上相對省心圖形安裝包一路下一步即可但要注意 Apple SiliconM 系列芯片要選對應的 ARM 版安裝包否則 conda 會通過 Rosetta 轉譯雖然能跑但后面裝某些原生庫會莫名其妙地慢。Linux / Ubuntu 服務器上用不了圖形界面通常是下載Anaconda3-xxxxxxxx-Linux-x86_64.sh腳本然后執(zhí)行wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-2024.10-1-Linux-x86_64.sh bash Anaconda3-2024.10-1-Linux-x86_64.sh安裝腳本最后會問是否執(zhí)行conda init。這里我強烈建議選 yes因為它會自動往.bashrc里寫入初始化代碼省掉手動配環(huán)境變量。如果你不小心跳過了或者用的 shell 是 zsh事后手動補也來得及。驗證是否安裝成功conda --version which conda python --version如果which conda沒有輸出說明 conda 不在 PATH 里。手動配置環(huán)境變量的方式是在/etc/profile或用戶級.bashrc里追加一行export PATH/home/你的用戶名/anaconda3/bin:$PATH然后source ~/.bashrc生效。這里有個細節(jié)export PATH時要把 conda 的 bin 目錄寫在$PATH前面這樣命令行里執(zhí)行的python、pip才優(yōu)先走 conda 環(huán)境。寫反了的話你激活了環(huán)境但調用的還是系統(tǒng) Python特別容易讓你懷疑環(huán)境是不是壞了。1.3 conda init 與 activate為什么總提示 “run conda init before conda activate”裝完之后很多人下一步就是創(chuàng)建環(huán)境然后執(zhí)行conda activate xxx結果卻看到一行錯誤CommandNotFoundError: Your shell has not been properly configured to use conda activate. To initialize your current shell, run: conda init --all這個報錯很常見原因是 conda 的 activate 機制不只是設置一個環(huán)境變量那么簡單它要往 shell 的配置文件里注冊一個函數(shù)讓conda activate成為 shell 的內建命令。沒有執(zhí)行過conda init的話shell 不認識這個函數(shù)自然激活不了。解決辦法就是按提示跑一次conda init bash如果你用的是 zsh就換成conda init zsh。執(zhí)行完之后務必重新打開終端或者source ~/.bashrc。Windows PowerShell 用戶還需要先執(zhí)行conda init powershell然后以管理員身份允許腳本執(zhí)行策略Set-ExecutionPolicy RemoteSigned另一個高頻問題是明明執(zhí)行了conda init終端還是顯示“conda init no change”。這個提示的意思并不是報錯而是說你之前已經(jīng)初始化過了.bashrc里已經(jīng)有那段初始化代碼。如果這種情況下conda activate依然無效多半是你在終端里手動 source 過別的 conda 腳本或者多個 shell 配置文件.bashrc、.bash_profile、.profile之間出現(xiàn)了重復/沖突。可以打開.bashrc看一下里面是否有多個# conda initialize 塊有的話刪掉重復的只保留一份。這里給一個排查順序的參考grep -n conda initialize ~/.bashrc確認初始化塊是否存在。執(zhí)行type conda看輸出是“conda is a function”還是路徑。如果輸出是路徑說明沒 init 成功重新source后再看。如果一切正常但 activate 還是報錯檢查是不是在某個腳本里提前執(zhí)行了set -u未定義變量報錯導致 conda 函數(shù)內部變量未定義。1.4 換源把 conda 默認源切到國內鏡像不換源的情況下用 conda 裝包真的會等得讓人懷疑人生尤其是裝 PyTorch 這種幾個 GB 的大環(huán)境。換源本質上是修改~/.condarc配置文件把 channel 指向國內鏡像。以清華鏡像為例執(zhí)行conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --set show_channel_urls yes然后執(zhí)行conda info查看 channels 列表確認是否生效?；蛘咧苯泳庉媬/.condarcchannels: - defaults show_channel_urls: true default_channels: - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2 custom_channels: conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud這里一定要把默認的defaults和鏡像里的 default 邏輯理解清楚。defaults在 conda 里是一個“虛擬 channel”它實際指向的是 Anaconda 官方倉庫的幾個子目錄。配置里寫了default_channels之后conda 會把defaults解析成鏡像地址而不是官方地址。如果你只在channels里加了鏡像但沒寫default_channelsconda 可能還是會去官方源拉速度沒有真正變快。還有一點配置好鏡像后舊緩存里可能還存著之前的 channel 數(shù)據(jù)偶爾會碰到明明已換源仍然從官方源下載的詭異情況。這時候可以清理緩存conda clean -i這個命令只清理索引緩存不影響已安裝的包放心執(zhí)行。2. 環(huán)境管理命令創(chuàng)建、激活、刪除、導入導出一網(wǎng)打盡conda 的核心能力是環(huán)境管理。我把這部分單獨拿出來講因為現(xiàn)實中使用頻率最高、最容易含糊的就是它。2.1 環(huán)境創(chuàng)建conda create -n 名字 python3.8 拆解創(chuàng)建環(huán)境的完整命令是conda create -n 環(huán)境名 python3.8其中-n是--name的簡寫后面跟的是環(huán)境名。python3.8表示在這個新環(huán)境里安裝 Python 3.8。執(zhí)行后 conda 會做依賴解析列出要安裝的包等你輸入y確認。如果你不想交互確認可以在命令末尾加-y表示全部同意conda create -n matanyone python3.8 -y這是我個人特別喜歡的用法。創(chuàng)建環(huán)境時可以順便把常用包一次性裝上減少后面反復 install 的時間conda create -n ml python3.10 numpy pandas matplotlib jupyter -y但要注意包名后面不寫版本號的話conda 會默認安裝當前 channel 里的最新版如果最新版和 Python 3.10 之間有沖突conda 會自動嘗試降級或提示沖突。為了環(huán)境穩(wěn)定我一般會給關鍵的三方庫也寫上大版本約束比如numpy1.26。這里需要專門提醒一個關鍵點創(chuàng)建環(huán)境時指定的 Python 版本決定了這個環(huán)境里所有依賴包的可用版本范圍。比如有些老項目用的依賴還只支持到 Python 3.8你非要用 Python 3.11 去建環(huán)境最后 pip 裝依賴時天天見error: command gcc failed with exit status 1根源就在編譯器兼容性上。建環(huán)境之前先翻一眼項目文檔要求什么版本別等到裝包裝到一半才發(fā)現(xiàn)。2.2 激活與切換環(huán)境activate / deactivate / env list環(huán)境創(chuàng)建好了緊接著就是激活。命令本身很簡單conda activate 環(huán)境名激活后命令行提示符一般會變成(環(huán)境名) 用戶名主機名:~$這能直觀地告訴你當前在哪個環(huán)境里。此時執(zhí)行python用的就是該環(huán)境對應的解釋器執(zhí)行pip install裝的也是這個環(huán)境的包不會污染全局。退出當前環(huán)境用conda deactivate查看當前有哪些環(huán)境conda env list # 或者 conda info -e輸出會列出所有環(huán)境路徑帶*的表示當前激活的環(huán)境。這個命令在管理多套環(huán)境時極其有用也是很多人第一次檢查環(huán)境是否建成功時首先敲的命令。激活環(huán)境的原理其實是通過修改PATH環(huán)境變量把當前環(huán)境bin或Scripts目錄放到最前面。你可以自己驗證which python # 輸出 /home/xxx/anaconda3/envs/ml/bin/python這就是為什么同一個python命令在不同的 conda 環(huán)境下會指向不同的解釋器。理解了這一點后面排查各種“python版本不對”“包裝錯環(huán)境”就會快很多。Windows PowerShell 用戶執(zhí)行conda activate之前需要先運行conda init powershell并重開終端。如果重開終端后執(zhí)行還是提示禁止運行腳本按前面提到的Set-ExecutionPolicy RemoteSigned先放開執(zhí)行策略即可。Linux 用戶有一個易忽略的地方如果你通過ssh登錄服務器后直接conda activate有時候會提示找不到命令。這是因為非登錄 shell 沒有加載.bashrc。解決辦法是執(zhí)行bash --login或者在~/.bash_profile里加上source ~/.bashrc讓登錄時自動加載。2.3 刪除與克隆環(huán)境remove / clone刪除環(huán)境同樣不復雜conda remove -n 環(huán)境名 --all加上--all才會把整個環(huán)境和里面的所有包一起刪掉不加的話只是刪某個包。刪之前建議先用conda env list確認環(huán)境名準確因為刪除操作不可恢復環(huán)境里做過的手工配置也得重新來。conda 本身沒有直接“重命名環(huán)境”的命令但可以通過克隆實現(xiàn)conda create -n 新環(huán)境名 --clone 老環(huán)境名克隆成功后確認沒有問題再刪除老環(huán)境。這樣做相當于重命名而且非常穩(wěn)因為包之間的依賴關系會被 conda 重新解析一遍不會出現(xiàn)復制文件夾導致的硬編碼路徑問題。有很多人圖省事直接去anaconda3/envs/目錄下改文件夾名這種操作我踩過一次坑環(huán)境名是改了但環(huán)境內部很多腳本里記錄的絕對路徑還指向舊目錄activate 之后啟動依賴腳本頻繁報找不到路徑。老老實實用--clone是效率最高的方案。2.4 環(huán)境導入導出export / from-history環(huán)境可復現(xiàn)是 conda 最大的優(yōu)勢也是團隊協(xié)作里最能省時間的特性。導出當前環(huán)境的依賴信息conda env export environment.yml這個命令會把環(huán)境中所有包包括依賴的依賴的精確版本號和構建號記錄下來生成一個environment.yml文件。把這個文件交給隊友對方一條命令就能還原出一模一樣的環(huán)境conda env create -f environment.yml但這里有一個跨平臺的重要坑conda env export導出的文件里通常帶構建號比如numpy1.26.4py310h..._0py310這類標簽強烈綁定平臺。你把 Linux 上導出的environment.yml拿到 Windows 上用很大概率會報錯或解析不到包。我自己就經(jīng)歷過“l(fā)inux 離線遷移到 windows”的場景最后發(fā)現(xiàn)直接給environment.yml行不通?？缙脚_遷移的推薦做法是conda env export --from-history environment.yml--from-history表示只導出你顯式安裝過的包不導出依賴樹。這樣還原環(huán)境時conda 會基于當前平臺的兼容性重新解析并安裝所有依賴。代價是生成的依賴粒度粗還原出來的環(huán)境版本未必和原來完全一致但能用的概率大幅提升。如果涉及到完全離線的環(huán)境遷移兩臺機器都斷網(wǎng)最穩(wěn)妥的方案是直接打包整個環(huán)境文件夾然后在目標機器上解壓到envs目錄下并手動確認環(huán)境路徑配置。這種方法受制于兩機 glibc 和 CUDA 驅動的差異實際可行但限制很多能在線同步環(huán)境的話優(yōu)先在線。2.5 虛擬環(huán)境與 IDE / Jupyter 打通創(chuàng)建了環(huán)境卻不會配合編輯器使用等于白建。實際開發(fā)中我們通常會在 IDE 里顯式指定解釋器而不是靠終端里 activate。PyCharm 里配置 conda 環(huán)境的方式是Settings - Project - Python Interpreter - Add Interpreter - Add Local Interpreter - 選擇 Conda Environment然后選擇 Existing environment在下拉列表里選中目標環(huán)境。如果列表里沒有點擊 ... 手動指定路徑Windows 一般是C:\Users\你的用戶名\.conda\envs\環(huán)境名\python.exeLinux/macOS 一般是/home/你的用戶名/anaconda3/envs/環(huán)境名/bin/python。Jupyter 里也需要“注冊”環(huán)境才能切換內核conda activate 環(huán)境名 conda install ipykernel -y python -m ipykernel install --user --name環(huán)境名 --display-name 環(huán)境名然后重新打開 Jupyter 網(wǎng)頁新建 Notebook 時就能在下拉列表里看到這個環(huán)境。--display-name后面跟的是在 Jupyter 界面上顯示的名字可以隨便寫--name才是內核對應的環(huán)境標識建議保持一致避免混亂。刪除 Jupyter 內核時用jupyter kernelspec uninstall 環(huán)境名3. 包管理操作conda install 與 pip install 的邊界環(huán)境建好了接下來就是裝包。很多教程只教命令不講這兩個包管理器的邊界導致用戶經(jīng)常出現(xiàn)“conda 裝的包和 pip 裝的包相互看不見”的困惑。3.1 conda install 與 pip install 的區(qū)別conda install和pip install表面上看都是裝 Python 包但底層邏輯完全不同對比項conda installpip install包格式conda 自有格式會處理非 Python 依賴wheel / sdist以 Python 包為主依賴來源從 channel如 defaults、conda-forge下載從 PyPI 下載環(huán)境隔離原生支持環(huán)境需要配合 venv / conda 環(huán)境使用二進制非 Python 庫處理能安裝 CUDA、MKL、OpenMP 等 C/C 庫通常只在 wheel 中預編譯好 Python 接口速度依賴解析較慢包較大通常更快兼容性處理會把 Python、依賴庫、二進制庫整體解析只解析 Python 包依賴日常使用建議遵循一個原則優(yōu)先用conda install尤其當你裝的是科學計算類、GPU 相關組件、需要 C 庫配合的包numpy、scipy、pandas、pytorch、tensorflow時因為 conda 能把 CUDA runtime、cudnn 這些非 Python 的底層庫一起管理好。而純 Python 生態(tài)里的包或者 conda channel 里沒有的包用pip install也沒問題但要確保是在激活后的正確環(huán)境里執(zhí)行的。有一個特別常見的錯誤操作先conda activate了環(huán)境然后開了個新終端忘了激活直接pip install結果包裝到了 base 環(huán)境里。判斷當前 pip 屬于哪個環(huán)境可以執(zhí)行pip --version輸出里會顯示 pip 的路徑如果路徑里帶了envs/環(huán)境名說明 pip 指向的是當前環(huán)境否則就是系統(tǒng)或 base 環(huán)境。3.2 包搜索、版本指定與常見參數(shù)組合安裝之前先搜索一下可用的版本避免裝完發(fā)現(xiàn)版本不對又回滾conda search 包名 # 比如 conda search numpy1.20conda 的版本約束規(guī)則很直觀numpy1.26表示安裝 1.26.x 的最新版numpy1.20,2.0表示版本范圍numpy1.26.4是精確版本。當然前提是這些版本存在于 channel 中。查看當前環(huán)境下已安裝的包conda list conda list -n 環(huán)境名第二條命令可以不用激活環(huán)境直接查看指定環(huán)境的包列表這在排查“到底裝哪去了”的時候特別順手。安裝時如果默認 channel 找不到包可以臨時指定 channelconda install -c conda-forge 包名-c是--channel的簡寫。conda-forge 是社區(qū)維護的 channel覆蓋面廣更新也快。不過要提醒一句混用多個 channel比如 defaults conda-forge雖然靈活但偶爾會導致依賴版本選擇不一致同一個包兩個 channel 都有的情況下conda 可能會選擇默認優(yōu)先級高的那個導致后續(xù)裝其它包時莫名沖突。如果長期只用 conda-forge建議干脆把 conda-forge 設為第一優(yōu)先級 channelconda config --add channels conda-forge conda config --set channel_priority strict批量更新環(huán)境的命令conda update --all這個命令會更新當前環(huán)境所有包到 channel 中的最新版本。但它有個隱患更新后可能破壞已有兼容性所以一般只在新建環(huán)境折騰時執(zhí)行生產(chǎn)環(huán)境里我更傾向于指定包的顯式更新比如conda update numpy。3.3 實戰(zhàn)用 conda 快速搭建包含 PyTorch 的深度學習環(huán)境配置深度學習環(huán)境是 Anaconda/conda 的經(jīng)典場景網(wǎng)上相關熱度一直很高。很多人卡在版本對應關系上其實只要理解 conda 處理 GPU 庫的邏輯一通百通。先在 NVIDIA 官網(wǎng)或系統(tǒng)驅動工具里確認好自己的顯卡驅動支持的 CUDA 版本然后創(chuàng)建環(huán)境時指定 Python 版本并用-c pytorch指定 PyTorch 官方 channelconda create -n pytorch_env python3.10 -y conda activate pytorch_env conda install pytorch torchvision torchaudio -c pytorch -y此時 conda 會解析并幫你自動安裝配套的 CUDA runtime、cuDNN 等底層庫不需要手動去顯卡驅動層面安裝 CUDA Toolkit。這一點是 conda 最大的優(yōu)勢它把 GPU 相關庫當作普通依賴整套環(huán)境自洽不會污染系統(tǒng)。如果你的機器沒有 NVIDIA GPU或者短期內只做 CPU 推理可以安裝 CPU 版本conda install pytorch torchvision torchaudio cpuonly -c pytorch -y版本對應關系有一個常見誤區(qū)網(wǎng)上很多圖把 conda 環(huán)境里能跑的 CUDA 版本和系統(tǒng)驅動版本混為一談。實際上 conda 裝的是 CUDA 運行時庫只要系統(tǒng)驅動版本不低于它要求的最低驅動版本就能運行。這也是很多人發(fā)現(xiàn)不同 conda 環(huán)境可以分別裝 CUDA 11.8 和 CUDA 12.1 互不沖突的原因——它們并沒有和系統(tǒng) CUDA 綁定只是各自使用了對應的運行時。TensorFlow 的情況類似但有一點特別值得注意TensorFlow 在 2.11 之后Linux 上的默認 PyPI 包不再內置 GPU 支持需要從nvidia的 channel 安裝額外插件或用 conda 直接安裝conda create -n tf_gpu python3.10 -y conda activate tf_gpu conda install tensorflow-gpu -y如果你照網(wǎng)上教程用pip install tensorflow-gpu大概率會收到 warning 或者裝到一個兼容層上。建議以 conda 官方 channel 為準安裝后執(zhí)行一個簡單 GPU 檢測import tensorflow as tf print(tf.config.list_physical_devices(GPU))輸出非空列表說明環(huán)境正常。如果輸出空列表先運行tf.debugging.set_log_device_placement(True)看日志判斷是 CUDA 庫不匹配還是驅動版本不足。4. 高頻報錯與排查技巧實錄這部分是每次寫 conda 相關文章時最有價值的章節(jié)。我把這些年遇到的、以及熱搜里高頻出現(xiàn)的問題挨個整理一遍直接給結論和操作步驟省得你再去翻一堆帖子。4.1 換源之后出現(xiàn) HTTP 403 Forbidden典型報錯長這樣UnavailableInvalidChannel: HTTP 403 FORBIDDEN for channel anaconda/pkgs/main這個報錯看起來像是被拒絕訪問絕大多數(shù)情況下和真正的“權限”無關而是 channel 地址沒寫對。常見原因是用了不存在的 channel 路徑或者鏡像站校驗失敗。比如有人在.condarc里寫了https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main末尾漏了/conda 有時也能解析但有時就會 403。排查步驟按順序來conda config --show channels和conda config --show custom_channels檢查當前配置。curl -I 你的鏡像地址手動訪問看返回碼。如果地址沒問題執(zhí)行conda clean -i清理索引緩存然后重試。仍然不行把.condarc里所有內容清空恢復默認源確認能裝包后再重新?lián)Q源。也有一種情況是公司/校園網(wǎng)的代理層攔截了下載請求。可以先臨時把代理環(huán)境變量去掉再試unset http_proxy https_proxy conda install 包名 -y4.2 MemoryError: conda process ran out of memory這報錯常見于conda create或conda install時尤其是環(huán)境里要裝的包特別多或者依賴解析鏈很長時。錯誤信息會直接提示CondaMemoryError: The conda process ran out of memory. Increase system memory and/or try again.之所以會內存溢出一個重要原因是 conda 默認使用的依賴求解器在處理復雜依賴時占用內存非常大。conda 從 22.11 版本開始把新的libmamba求解器作為默認但如果你用的是帶舊配置的環(huán)境可能還停留在舊求解器上。解決思路有兩個層面。第一給 conda 顯式安裝更高效的求解器conda install -n base conda-libmamba-solver -y conda config --set solver libmamba然后重新執(zhí)行創(chuàng)建/安裝命令。libmamba 用 C 實現(xiàn)依賴求解速度和內存占用都比舊版好很多這也是最近兩年 conda 體驗顯著提升的核心改進。第二如果仍然內存不夠嘗試拆分安裝步驟。不要一次性創(chuàng)建包含幾十個包的環(huán)境可以先創(chuàng)建帶 Python 的空環(huán)境然后再往里分批安裝conda create -n big_env python3.10 -y conda activate big_env conda install numpy pandas scikit-learn -y conda install pytorch torchvision -c pytorch -y分批安裝雖然多敲幾次命令但每次依賴解析的規(guī)模小很多內存壓力大幅下降。4.3 激活環(huán)境后提示 “warning: this Python interpreter is in a conda environment”有時候激活環(huán)境后腳本里會彈出類似下面這種 warningWarning: This Python interpreter is in a conda environment, but the environment has not been activated. Libraries may fail to load. To activate this environment, see https://conda.io/activation/這個 warning 的本質是某個腳本/可執(zhí)行文件直接調用了 conda 環(huán)境里的 Python 或動態(tài)庫但當前終端沒激活該環(huán)境導致PATH和LD_LIBRARY_PATH等環(huán)境變量沒有指向正確的 conda 環(huán)境。Python 解析器雖然在環(huán)境里但它要加載的 C 擴展庫卻找不到。排查方向先看是誰觸發(fā)了 warning。比如你在 PyCharm 里選了環(huán)境內的 Python 當解釋器卻在一個未激活 conda 的終端里啟動 jupyter notebook就可能出現(xiàn)。解決辦法很簡單先在終端激活環(huán)境再啟動程序conda activate 環(huán)境名 python -m jupyter notebook如果是在 PyCharm/VS Code 里觸發(fā)那通常需要在 IDE 的終端設置里開啟“Activate conda environment”選項或者在 IDE 自帶的終端里手動執(zhí)行一次激活。有時候手動編寫 service 文件或 cron 任務也會遇到這個 warning。這時可以直接在腳本頭部 source 一下 conda 配置并激活環(huán)境source /home/你的用戶名/anaconda3/etc/profile.d/conda.sh conda activate 項目環(huán)境 python /path/to/script.py4.4 conda 和 uv 的關系是不是新工具要取代 conda自從 uv 出現(xiàn)之后很多人開始糾結現(xiàn)在還有必要學 conda 嗎我的觀點比較實際uv 確實在純 Python 包管理方面比 pip 快非常多但它目前主要定位還是 Python 包管理不是環(huán)境內非 Python 二進制庫比如 CUDA、MKL的全套管理方案。conda 更有價值的場景還是要看 Ubuntu 服務器上新裝 Python 環(huán)境、配置 TensorFlow/PyTorch GPU 環(huán)境這些需要和底層庫打交道的場景?，F(xiàn)實中也有人在 conda 環(huán)境內部啟用 uv 來加速虛擬環(huán)境的建置和 Python 包安裝兩者并不沖突。conda 負責創(chuàng)建隔離環(huán)境和系統(tǒng)級依賴uv 負責 Python 包的快速解析與安裝。如果你的項目對安裝速度有極致的需求可以把 uv 作為 conda 的“內部加速器”conda create -n fast_env python3.10 -y conda activate fast_env uv pip install 包名注意uv pip install默認工作在系統(tǒng) Python 環(huán)境里在 conda 環(huán)境內使用時需要確保當前環(huán)境已激活這樣 uv 會識別CONDA_PREFIX并安裝到當前環(huán)境不會跑到別處。至于 conda 是否會被 uv 完全取代短期來看不會。conda 的優(yōu)勢在于“環(huán)境 包 系統(tǒng)依賴”全鏈路統(tǒng)一管理uv 的優(yōu)勢在于純 Python 包解析速度和磁盤占用。兩者各有適用邊界作為工程師多會一個工具總沒壞處。搜索“conda和uv”熱度高說明大家其實都有這個困惑我的結論是大環(huán)境用 conda小依賴用 uv雙管齊下效率最高。4.5 conda 環(huán)境遷移和路徑變化后的修復把 conda 從一臺機器遷到另一臺或者整個 Anaconda 目錄移動過位置之后經(jīng)常發(fā)生 Python 解釋器和 conda 環(huán)境都不能用的情況。比如熱詞里提到“conda linux離線遷移到windows”這種跨平臺遷移如果沒有在目標平臺重建環(huán)境幾乎一定會出問題。遷機之后最先要做的是讓 conda 本身找回自己的前綴路徑conda info --base如果輸出的大本營路徑已經(jīng)和實際位置不符可以重新設置前綴或者卸載重裝。環(huán)境目錄遷移到新機器后也可以嘗試用 conda 命令重新注冊conda config --append envs_dirs /新路徑/envs然后conda env list應該就能看到這些環(huán)境了。需要注意的是環(huán)境內部的腳本仍然會引用舊路徑所以如果環(huán)境特別重要我仍會推薦用conda env export/conda env create的方式重建而不是直接復制目錄。5. 日常使用的幾個小技巧除了命令本身我想把日常工作中總結的幾個小習慣也一并分享。這些內容在幫助文檔里很難看到但對提升效率幫助很大。第一個技巧是控制 base 環(huán)境。base 是 conda 自帶的默認環(huán)境很多人圖省事直接在 base 里裝各種包。一旦裝的東西多了base 變得臃腫后續(xù)創(chuàng)建新環(huán)境都會變慢而且一旦依賴沖突整個 conda 安裝都受影響。我的習慣是 base 只維護 conda 本身和少量必須的命令行工具所有的分析項目都單獨建環(huán)境。如果哪天 base 真弄亂了直接重裝 Miniconda 都不心疼。第二個技巧是善用環(huán)境名前綴。一臺機器上環(huán)境多了之后conda env list的輸出很容易看花眼。建議在創(chuàng)建環(huán)境時用項目名做前綴區(qū)分比如proj_a_tf、proj_b_torch這樣一眼就能看出環(huán)境對應哪個項目、用了什么框架。環(huán)境名不要太長因為激活后它會出現(xiàn)在命令行提示符前面太長影響輸入。第三個技巧是整理.condarc時記得區(qū)分全局配置和項目配置。conda 支持在項目目錄里放一個.condarc來覆蓋全局配置這在不同項目需要不同 channel 時很好用。比如項目 A 強制要求只用 conda-forge 一個 channel你就可以在項目根目錄放一個channel_priority: strict channels: - conda-forge這樣進到項目目錄里執(zhí)行 conda 命令使用的就是項目級配置不影響其他項目的環(huán)境管理。注意.condarc文件的優(yōu)先級是項目目錄 用戶目錄 conda 安裝目錄弄明白這個關系很多奇奇怪怪的 channel 行為就有了解釋。第四個技巧是緩存清理。conda 用久了之后pkgs目錄會越來越大動輒十幾個 GB。在磁盤緊張的時候執(zhí)行conda clean --all這個命令會清除所有緩存的安裝包、索引緩存和臨時文件。不過提醒一下清理后如果還要創(chuàng)建相同依賴的環(huán)境需要重新下載所以磁盤足夠的情況下不急著清。我一般是一個月左右清理一次只清包緩存不清環(huán)境目錄conda clean --packages寫在最后的一點個人體會這些年用下來我覺得 conda 最值得花時間去理解的不是命令本身而是它“環(huán)境即目錄、包即文件、依賴即解析”的三個基本模型。只要想清楚環(huán)境不過是一個目錄激活不過是在 PATH 查表時換了一個優(yōu)先路徑很多報錯和詭異行為就都順理成章了。常見的報錯百分之八九十逃不出四類path 沒配好、channel 地址不對、依賴求解器太老、緩存臟數(shù)據(jù)干擾。應付這四類問題上面提供的命令和排查順序基本夠用。如果你正在配的是 GPU 版本的 TensorFlow 或 PyTorch 環(huán)境一定記得先確認系統(tǒng)到 conda 環(huán)境的 CUDA 運行時版本是否匹配不要只看顯卡型號看錯一層版本后面排查編譯錯誤能讓你熬一個通宵。最后一點老話重提不要在生產(chǎn)環(huán)境和日常開發(fā)環(huán)境共用一套 Python 環(huán)境。每接到一個新項目第一件事就建一個獨立的 conda 環(huán)境把依賴鎖進 environment.yml 提交到倉庫里。這套習慣堅持下來你身邊被 Python 環(huán)境折騰瘋的同事遲早也會來問你。