使用conda配置深度学习开发环境

使用conda配置环境的步骤：

1、安装anaconda

2、在conda的base环境中创建并激活虚拟环境

3、安装依赖

4、如果先要在虚拟环境中使用jupyter notebook，需要安装notebook核心

 

1、什么是依赖冲突？

依赖冲突通常发生在项目中使用了不同版本的库或包，而这些库之间可能存在不兼容的情况。比如，你的一个项目需要某个库的 v1.0 版本，而另一个项目需要该库的 v2.0 版本，这时它们在同一环境中可能会导致冲突。常见的依赖冲突场景包括：

• 同时安装了多个版本的同一个库。
• 项目中的某个库依赖于另一个库的不同版本，产生不兼容问题。

在Python编程实践中，会为每个项目创建独立的虚拟环境，从而隔离各自的库和依赖版本。

 2、什么是虚拟环境？

Python的虚拟环境：Python的虚拟环境是一个隔离的运行环境，它允许每个项目拥有自己独立的依赖包和库，而不会影响到其他项目。

当我们使用pip install package_name 命令安装第三方库时，pip 会将下载的包解压并安装到系统全局的site-packages 目录中，如果安装的库存在依赖冲突，则可能会导致安装失败或程序运行错误。

使用虚拟环境时，项目的依赖库安装在虚拟环境的site-packages目录中，而不是全局系统环境，从而避免了多个项目之间的依赖冲突，然后可以在该环境下安装特定的依赖包。

使用pip show package_name命令查看已安装包的详细信息，包括依赖关系。

较常用的Python虚拟环境解决方案包括Python自带的venv和poetry。

conda的虚拟环境：

Conda 是一个跨平台的包管理器和环境管理工具，特别适合处理不仅仅是Python的多语言依赖。与Python虚拟环境不同，Conda 不仅可以管理Python依赖，还支持管理其他语言的库，比如R、C++等。使用Conda创建虚拟环境非常简单，并且可以指定需要安装的Python版本和包。Conda虚拟环境在科学计算和数据科学领域特别流行，因为它能轻松管理复杂的依赖关系，且支持在环境中安装包括NumPy、Pandas等在内的各种科学计算库。

深度学习通常需要多个库和工具的集成，像PyTorch、CUDA、cuDNN等，它们的版本和兼容性要求非常复杂。Conda可以非常方便地管理和安装CUDA和cuDNN等依赖包，并确保这些包与特定的深度学习框架版本兼容，无需手动配置或处理复杂的安装问题。

我们将使用conda来配置深度学习开发环境。

3、安装anaconda

登录anaconda官方网站：https://www.anaconda.com/download

4、使用conda创建虚拟环境

点击Environments（环境）

点击base（root）（基础环境，conda命令安装在基础环境中），进入conda基础环境

在conda基础环境中创建虚拟环境：

conda create -n your_env_name

命令解释：

• conda：这是调用 Conda 命令行工具的命令。
• create：这是 Conda 工具的一个子命令，用于创建新的环境。
• -n：这是指定新环境名称的选项。在 Conda 中，-n 选项后面通常跟着环境的名称。
• your_env_name：这是你为新环境指定的名称。你可以根据自己的喜好和项目需求来命名环境。

输入y，确认创建虚拟环境：

激活我们刚刚创建的虚拟环境：

conda activate your_env_name

激活后，提示符前面的圆括号变成我们的虚拟环境名。

使用conda安装Python：

conda install python

然后按y确认

可以指定Python版本：conda install python=3.10，如果不指定，则安装最新版本。

如果我们不想每次创建新的虚拟环境都安装一遍Python（或者其他依赖的库），我们可以在创建虚拟环境时，从已有的虚拟环境克隆依赖。

conda create --n <新环境名> --clone <旧环境名>

5、安装深度学习相关依赖

安装pytorch

打开pytorch官方网站：https://pytorch.org/

下拉到Install PyTorch部分：

情况一：没有显卡

按如图所示选择，复制图中命令：conda install pytorch torchvision torchaudio cpuonly -c pytorch

在我们刚刚创建的虚拟环境中安装：

情况二：有英伟达显卡

首先到英伟达官方网站安装显卡驱动

然后使用nvidia-smi查看cuda版本：

根据相应的CUDA版本安装pytorch：

复制图中命令安装：

6、安装jupyter notebook内核

为了能够在jupyter notebook中使用该虚拟环境，我们还需要安装ipykernel并将其注册为一个可用的内核：

方法一：将所有的conda虚拟环境注册到jupyter notebook，如果你只使用jupyter notebook进行开发，推荐使用这种方法

激活base环境：

conda activate base

在base环境中安装ipykernel：

conda install nb_conda_kernels

方法二：仅将我们刚刚创建的your_env_name虚拟环境注册到jupyter notebook

激活your_env_name虚拟环境：

conda activate your_env_name

安装ipykernel：

conda install ipykernel

将虚拟环境注册到jupyter notebook，可以将--name=your_env_name换成你想要的名字

ipython kernel install --user --name=your_env_name

7、使用jupyter notebook进行开发

打开upyter notebook，选择新建：

选择我们刚刚安装的jupyter notebook核心：