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.exemacOS 要注意区分 Intel 芯片和 Apple Silicon 芯片分别对应 x86_64 和 arm64Linux 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 Python 和库版本。我个人的习惯是选一个距今半年左右的稳定版本太新的版本偶尔会碰到一些奇怪的兼容性问题尤其是和某些老显卡驱动搭配的时候。还有一点值得提醒不建议在同一台机器上装多个 Anaconda 版本。我之前为了测试在 Windows 上装了两次结果环境变量里 PATH 的顺序一乱命令行调用 conda 的时候指向了另一个安装目录创建的环境和激活的环境对不上排查了很久。如果你真的需要多个版本请务必用独立的环境变量配置或者干脆去用容器不要硬碰硬地在同一套 PATH 里打架。3. 手把手完成安装Windows、macOS、Linux 全覆盖3.1 Windows 上的安装步骤双击下载好的 exe 文件一路 Next 到安装路径选择页。这里有个选择默认路径在 C 盘用户目录下路径里会带中文用户名或者空格。我的强烈建议是改成一个纯英文、无空格的路径比如 D:\anaconda3。原因很简单conda 在处理路径时对空格和中文的兼容性并不完美尤其是在创建环境、调用编译器的时候很容易出现路径解析错误这种错误往往报得很含糊新手根本定位不到。接下来会看到一个关于 PATH 的勾选项写着“Add Anaconda3 to my PATH environment variable”下面还附了一句“不推荐”。这里我要多说两句因为这是全网争论最多的一个点。不勾选的情况下你在普通的 cmd 或 PowerShell 里敲 conda 是不生效的必须从开始菜单打开 Anaconda Prompt 才能用。勾选之后任何终端都能用 conda但可能会和你系统里已有的 Python 或者其他软件发生 PATH 冲突。我的做法是新手先不勾老老实实用 Anaconda Prompt等熟悉了之后如果需要再手动往环境变量里加路径这样可控性强得多。另外那个“Register Anaconda3 as my default Python”的选项可以放心勾上它只是注册一下文件关联不会影响你后面创建虚拟环境。安装过程大概需要几分钟到十几分钟取决于磁盘速度安装结束后会提示你是否打开 Navigator 和教程页都可以先关掉。3.2 macOS 与 Linux 的安装方式macOS 用户如果用 pkg 安装包双击一路确认就行安装程序会自动把 conda 初始化到你的 shell 配置里。如果是用 sh 脚本安装需要在终端里执行 bash 加文件名的形式安装过程中会问你是否接受许可协议一路回车确认最后会问你是否运行 conda init这里一定要输入 yes否则装完了 conda 命令用不了。Linux 上的安装流程和 macOS 的脚本方式基本一致但有几个细节值得注意。下载完 sh 文件后先给它加执行权限再运行。安装路径建议指定到一个你有写权限的目录如果用 root 装到了系统目录后续普通用户创建环境可能会遇到权限问题。装完之后conda init 会往你的 .bashrc 或者 .zshrc 里写一段初始化脚本你需要重新打开一个终端或者手动 source 一下配置文件改动才会生效。如果安装完之后敲 conda 提示找不到命令八成是初始化没生效。手动排查的步骤是先确认安装目录下有没有 bin 文件夹再看配置文件里有没有那段 conda 初始化的内容最后执行 source 命令让配置生效。这几步我在服务器上重复过不下几十次属于典型的新手卡点。3.3 安装完成后必须验证的四条命令装完之后不要急着建环境先把这几条验证命令敲一遍确认基础环境是健康的。打开终端或者 Anaconda Prompt依次执行conda --version conda info python --version conda env listconda --version能打印出版本号说明 conda 本身装好了。conda info会输出一大段信息重点关注三个字段base environment 的路径、channel URLs、以及 platform 字段应该是 win-64、osx-arm64 或 linux-64 之一。python --version能正常输出版本说明 base 环境可用。conda env list会列出当前所有环境刚装完应该只有一个 base前面带一个星号表示当前处于激活状态。提示如果conda info里的 platform 显示和你的机器不符说明你下错了安装包架构比如在 Apple Silicon 的 Mac 上装了 x86_64 版本这种情况下虽然能跑但性能和兼容性都会打折扣建议重新下载对应架构的包。4. conda 虚拟环境的核心命令一次讲透4.1 创建环境-n 和 -p 到底该用哪个创建环境的基本命令是conda create -n 环境名 python版本号。比如创建一个叫 torch 的环境Python 版本指定为 3.10就是conda create -n torch python3.10。中括号里的 -n 是 --name 的缩写意思是按名字创建环境文件夹会落在 Anaconda 安装目录的 envs 下面。这是最常用的方式因为后续激活环境只需要记住一个名字简单。另一个参数是 -p也就是 --prefix它允许你指定一个完整的路径来创建环境比如conda create -p D:\envs\myproj python3.9。什么时候用 -p当你需要把环境放在一个特定的硬盘上、或者需要和环境一起打包迁移的时候。用 -p 创建的环境激活时必须用完整路径不能再简写名字这一点经常有人忘记然后抱怨“我明明创建了环境却激活不了”。创建过程中 conda 会列出将要安装的包清单问你 Proceed 还是 y输入 y 回车即可。这里有个小技巧加上-y参数可以跳过确认适合写脚本的时候用但手动操作时我建议保留确认环节万一它要装的包跟你预期不符你还有机会中断。4.2 激活、退出与查看环境激活环境的命令是conda activate 环境名。激活成功后命令行的提示符前面会出现括号包裹的环境名比如 (torch)。这一步是新手最容易翻车的地方因为 conda 4.6 之后的版本把 activate 从一个脚本改成了 shell 函数必须在执行 conda init 之后才能用。如果你在旧教程里看到source activate或者activate那是老写法现在的版本不推荐了。退出环境用conda deactivate回到 base 环境。想再退一层可以再执行一次不过在较新的版本里已经不能从 base 继续退了因为 base 是最底层。查看所有环境用conda env list想看得更详细可以用conda info --envs两者的输出基本一样星号标记的就是当前激活的环境。还有一个查看环境里装了什么的命令conda list它会列出当前环境中所有已安装的包及其版本和来源渠道。这个命令在我排查依赖冲突时用得最多尤其是想确认某个包到底是 conda 装的还是 pip 装的看最后一列的 channel 字段就一清二楚pip 装的包在 channel 那一列会显示 pypi。4.3 删除、克隆与导出环境环境用久了总会需要清理。删除环境的命令是conda remove -n 环境名 --all注意这个--all一定要带上否则它只会删掉环境里的某一个包。删除之后磁盘空间立刻释放我强烈建议定期执行conda env list检查一下把那些试验性质的环境清掉不然一年下来能攒出几十 GB。克隆环境是conda create -n 新环境名 --clone 旧环境名。这个功能在我需要基于一个已经调好的环境做新实验时特别有用比重新装一遍快得多而且版本完全一致。缺点是新环境占用的磁盘空间和原环境差不多因为它是完整的文件复制不是硬链接。导出环境配置有两种方式用途不同。conda env export environment.yml会导出所有包及其精确版本号甚至连 build 号都带上这份文件适合自己备份和还原。如果要把配置发给别人、或者在跨平台的场合使用建议加上--no-builds参数去掉 build 号兼容性会好很多。导出之后用conda env create -f environment.yml就能在另一台机器上还原一份一模一样的环境。注意environment.yml 里如果包含 pip 安装的包conda 在还原时会通过 pip 段来安装但这个过程偶尔会因为网络问题失败建议在文件里把关键的 pip 包单独列出来手动确认一遍。5. 换掉默认源把下载速度拉起来5.1 为什么一定要配置镜像源conda 默认的包源在国外国内访问速度很不稳定装一个大一点的包比如 PyTorch 的 CUDA 版本动辄两三个 GB经常下到一半超时中断前功尽弃。配置国内镜像源之后速度提升是非常直观的我从几十 KB 每秒变成几 MB 每秒的情况很常见。配置方式有两种命令行方式和直接编辑配置文件。命令行方式是用conda config --add channels逐条添加再用conda config --set show_channel_urls yes让 conda 在安装时显示包的具体来源地址方便你确认走的是哪个源。这些命令会写入用户目录下的 .condarc 文件Windows 下在 C:\Users\你的用户名.condarcLinux 和 macOS 下在 ~/.condarc。5.2 .condarc 文件应该怎么写我一般直接手写这个文件比敲一堆命令快。内容大致如下注意 channels 的顺序是有意义的conda 会从上往下依次查找把常用的源放前面channels: - defaults 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 show_channel_urls: true ssl_verify: true写完保存然后执行conda clean -i清一下索引缓存让新的源生效。这一步很容易被忽略不清缓存的话 conda 可能还在用旧的索引信息你会觉得“我明明配了源怎么还是慢”。5.3 pip 源也要一起配否则前功尽弃很多人配置完 conda 的源就以为万事大吉了结果后面用 pip 装包的时候又慢回原形。pip 有自己的配置文件Windows 下在用户目录的 pip\pip.iniLinux 和 macOS 下在 ~/.pip/pip.conf 或 ~/.config/pip/pip.conf。内容很简单[global] index-url https://pypi.tuna.tsinghua.edu.cn/simple trusted-host pypi.tuna.tsinghua.edu.cn timeout 120也可以不用改文件直接用命令配置pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple。这样配置是全局生效的对所有虚拟环境都管用。timeout 那一项我建议调到 120 秒以上有些大包在高峰期下载慢默认的 15 秒超时太容易触发了。注意有些教程会让你把镜像源地址加到 conda 的 channels 列表里这在某些情况下会引发依赖解析混乱。更稳妥的做法是用 default_channels 覆盖默认源而不是往 channels 里塞一堆第三方地址。6. 实战一把用虚拟环境搭一套深度学习开发环境6.1 先搞清楚显卡驱动和 CUDA 版本的对应关系这一节我用一个具体的场景来串起前面所有知识。假设你要搭一套深度学习环境第一步不是敲安装命令而是先查清楚你机器上的显卡驱动支持哪个 CUDA 版本。在命令行执行nvidia-smi右上角会显示一个 CUDA Version这个数字是驱动支持的最高 CUDA 版本不是你必须装这个版本而是不能超过它。比如显示的是 12.4那你可以装 CUDA 11.8、12.1、12.4 的运行库装 12.6 就会失败或者降级运行。这一步跳过去的人特别多装完发现torch.cuda.is_available()返回 False然后再回头折腾驱动白白浪费时间。如果你用的是 AMD 显卡或者 Mac 的 M 系列芯片对应的框架和安装命令完全不同Mac 上 PyTorch 用的是 MPS 后端不要照抄 CUDA 的命令。6.2 创建环境并安装框架确定好版本之后创建环境conda create -n dl python3.10 -y conda activate dl然后去框架官网的安装页面选择你的系统、包管理器、CUDA 版本它会给你生成一条命令。我强烈建议用官网生成的命令而不是从各种教程里抄因为框架版本的更新很快旧命令里的版本号可能已经失效或者不再维护。典型的 conda 安装命令长这样conda install pytorch torchvision torchaudio pytorch-cuda11.8 -c pytorch -c nvidia如果这条命令的下载速度不理想可以换成 pip 版本用官方提供的 index-url 参数指定源pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118装完之后在同一个环境里跑一段验证代码import torch print(torch.__version__) print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0))三个输出依次是版本号、True、显卡型号就说明环境搭好了。如果第二个是 False先别急着卸载重装按顺序排查驱动版本是否够、装的包是不是 CPU 版本版本号里带 cpu 的就是、环境是否真的激活了。6.3 环境搭建过程中的几个关键注意点第一安装这类大包的时候尽量别用手机热点或者不稳定的网络中断一次就要重下因为 conda 的下载缓存对未完成文件的处理并不友好。第二如果你的磁盘空间紧张可以在 .condarc 里配置 pkgs_dirs 把包缓存目录挪到空间大的盘上不然光是缓存就能吃掉十几个 GB。第三装完一个环境之后趁热导出 environment.yml 备份一下尤其是那种调了很久才跑通的深度学习环境重装一次的成本非常高。第四不要在 base 环境里装任何项目依赖。base 环境是 conda 自己用的一旦被污染出问题的时候你可能连 conda 命令都用不了修复起来相当麻烦。我见过有人图省事直接在 base 里装了一堆包后来 conda 自己升级时依赖冲突整个 Anaconda 直接罢工最后只能卸载重装。7. 让编辑器认准你的虚拟环境7.1 PyCharm 里指定 conda 解释器环境建好了怎么让 IDE 用上它是新手最常卡住的一步。PyCharm 里的路径是File → Settings → Project → Python Interpreter点右侧的齿轮或者 Add Interpreter选择 Conda Environment。这时候有两个选项New environment 会新建一个Existing environment 会复用已有的。选后者然后在 Interpreter 那一栏填上你的环境路径。环境路径怎么找在命令行执行conda env list输出里每个环境的路径都清清楚楚。Windows 上大概是安装目录\envs\环境名\python.exeLinux 和 macOS 上是 安装目录/envs/环境名/bin/python。填进去之后点 OKPyCharm 会花几十秒索引一遍包之后你的代码就运行在这个环境里了。7.2 VS Code 里切换解释器VS Code 的方式更轻量。打开项目文件夹后按 CtrlShiftP 调出命令面板输入 Python: Select Interpreter它会列出所有被检测到的解释器包括 conda 环境。选中你要的那个窗口左下角会显示当前使用的解释器名称。如果列表里没找到你的环境检查一下 Python 扩展是否正常安装以及 conda 是否已经初始化过。VS Code 还有个容易忽略的点集成终端的默认环境。你切换了解释器但打开的终端可能仍然是系统默认的 shell敲 python 的时候用的是另一个版本。解决办法是在设置里搜索 python.terminal.activateEnvironment确保它是开启状态这样每次打开新终端时会自动激活选中的环境。7.3 把虚拟环境注册到 JupyterJupyter Notebook 默认只能看到它自己所在环境的 kernel想让它在别的环境里跑代码需要手动注册。步骤是在目标环境激活的情况下执行conda activate dl conda install ipykernel python -m ipykernel install --user --namedl --display-name Python (DL)执行完之后重启 Jupyter新建笔记本的时候就能在 kernel 列表里看到 Python (DL) 这个选项了。这里的 name 是内部标识display-name 是显示给用户看的名字两个可以不一样我一般会把 display-name 取成能看懂的名字方便区分多个环境。提示如果注册之后 kernel 列表里没出现先确认 ipykernel 是装在目标环境里而不是 base 里这是最常见的原因。8. 常见问题速查与私藏避坑清单8.1 报错速查表下面这张表是我这些年整理出来的高频报错遇到问题可以先在这里对一遍。报错或现象常见原因处理方式conda 不是内部或外部命令安装时没加 PATH或未运行 conda init用 Anaconda Prompt或手动初始化后重开终端CondaHTTPError / 下载超时网络不稳或未配镜像源配置国内源并执行 conda clean -iSolving environment 卡很久依赖求解复杂或 channels 过多减少 channels指定具体版本必要时用 mambaPackagesNotFoundError包不在当前配置的源里加 -c conda-forge或改用 pip 安装激活后 python 版本没变环境未真正激活或 PATH 冲突看提示符是否有环境名用 which python 确认路径conda activate 报错shell 未初始化执行 conda init 对应 shell重开终端this Python interpreter is in a conda environment...用系统 Python 跑了 conda 环境的东西先 conda activate 再运行脚本Permission denied安装目录权限不足换到用户目录安装或用有权限的账号torch.cuda.is_available() 返回 False装了 CPU 版本或驱动版本不匹配核对版本号后缀和 nvidia-smi 输出8.2 我的几个私藏避坑心得第一个心得和 conda 的求解速度有关。如果你经常遇到 Solving environment 卡住几分钟不动的情况去装一个 mambaconda install -n base -c conda-forge mamba之后把 conda 命令换成 mamba 就行语法完全一致求解速度能快一个数量级。这个工具我在处理复杂环境依赖时几乎离不开。第二个心得和环境目录的位置有关。默认情况下环境都建在 Anaconda 安装目录的 envs 下如果你把 Anaconda 装在了 C 盘而 C 盘空间紧张可以在 .condarc 里加两行envs_dirs 指定环境目录pkgs_dirs 指定包缓存目录都指向空间大的盘。注意改完之后新建的环境才会生效已有的环境需要手动迁移或者用克隆的方式重建。第三个心得关于环境的命名。我见过太多人用 test、test1、test2、new 这种名字过两个月自己都不知道哪个是哪个。我的命名习惯是项目名加 Python 版本比如 proj_nlp_py310一眼就能看出用途和版本清理的时候也不会误删。8.3 无网络环境下的环境迁移方案有些开发机在内网里不能直接联网这时候怎么搭环境我一般用 conda-pack 这个工具。在有网络的机器上先安装 conda-pack然后执行打包命令把整个环境打成一个压缩包传到内网机器上解压再运行激活脚本。这套流程我用来做过好几次离线部署成功率很高。另一种方式是提前把包缓存目录整体拷贝过去然后在离线机器上执行安装命令并加上--offline参数让 conda 只从本地缓存里找包。这种方式的前提是两边的系统架构完全一致Windows 上打的包不能在 Linux 上用这一点务必注意。如果实在搞不定退而求其次的办法是用 pip download 把 wheel 文件下载到本地再离线安装虽然麻烦但兼容性最好。最后分享一个我最近养成的习惯每次把环境调通之后立刻执行一次导出并把 environment.yml 提交到项目的代码仓库里。这样做的好处是无论换机器还是重装系统一条命令就能把环境恢复回来再也不用凭记忆去回忆当时装了什么版本。环境搭建这件事前期多花十分钟做记录后期能省下几个小时的排查时间这笔账怎么算都划算。