【Pytorch】(1)Pytorch环境安装-①创建虚拟环境

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

文章目录

• 前言
• 一、创建Pytorch的虚拟环境

---

前言

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、Anaconda环境基础操作

1.1 启动Anaconda Prompt

  在Windows搜索栏中输入"Anaconda Prompt"

  右键选择"以管理员身份运行"（需要管理员权限的操作）

  所有环境管理命令都在此终端中执行

二、虚拟环境管理全解析

2.1 查看所有环境

在进行任何环境操作前，先查看当前存在的环境：

# 列出所有已创建的虚拟环境

conda env list

输出示例：

# conda environments:
#
base                  *  C:\Users\YourName\anaconda3
ml-env                  C:\Users\YourName\anaconda3\envs\ml-env
dl-project              C:\Users\YourName\anaconda3\envs\dl-project

2.2 创建虚拟环境

方法1：创建在默认位置（推荐）

# 创建名为myenv的虚拟环境，使用Python 3.9
conda create -n myenv python=3.9
参数详解：

-n myenv：指定环境名称

python=3.9：指定Python版本（可替换为3.8、3.10等）

方法2：自定义安装路径

# 创建在指定路径的虚拟环境
conda create --prefix=D:\Projects\envs\project-env python=3.9
参数详解：

--prefix=：指定环境的完整安装路径

D:\Projects\envs\project-env：自定义路径（路径中最好不要有空格）

两种方法对比：

特性	默认位置	自定义路径
创建命令	conda create -n 环境名	conda create --prefix=路径\环境名
存储位置	Anaconda安装目录下的envs文件夹	任意指定位置
激活方式	conda activate 环境名	conda activate 路径\环境名
适用场景	个人开发、学习	团队共享、特定项目

2.3 激活虚拟环境

# 激活默认位置的环境
conda activate myenv

# 激活自定义路径的环境
conda activate D:\Projects\envs\project-env

激活后，命令行提示符会显示当前环境名称：

(myenv) C:\Users\YourName>

2.4 在环境中操作

激活环境后，可以进行以下操作：

# 安装包
conda install numpy pandas matplotlib

# 安装特定版本的包
conda install tensorflow=2.8.0

# 使用pip安装（当conda仓库没有所需包时）
pip install opencv-python

# 导出环境配置（用于共享）
conda env export > environment.yml

# 根据配置文件创建环境
conda env create -f environment.yml

2.5 退出当前环境

# 退出当前虚拟环境
conda deactivate

2.6 删除虚拟环境

删除默认位置的环境：
conda remove -n myenv --all
删除自定义路径的环境：
conda remove --prefix=D:\Projects\envs\project-env --all

重要提示：

1. 删除操作不可逆，请确认后再执行

2. 确保不在要删除的环境中执行此命令

3. 删除前最好备份环境配置（使用conda env export）

三、高级环境管理技巧

3.1 克隆环境

创建现有环境的副本：

# 克隆环境
conda create --name new-env --clone old-env

# 克隆到不同位置
conda create --prefix=D:\new\path\new-env --clone old-env

3.2 更新环境

# 更新环境中所有包
conda update --all

# 更新特定包
conda update numpy pandas

3.3 环境共享与迁移

1. 导出环境配置：

   conda env export > environment.yml

2. 共享environment.yml文件

3. 在新机器上创建相同环境：

   conda env create -f environment.yml

3.4 环境清理

# 清理未使用的包和缓存
conda clean --all

四、常见问题解决方案

4.1 环境激活失败

问题 ：执行conda activate后环境未切换
解决：

# 初始化conda（首次使用）
conda init

# 重新打开Anaconda Prompt

4.2 环境创建缓慢

问题 ：创建环境时卡在"Solving environment"
解决：

# 使用更小的包集合
conda create -n myenv python=3.9 --no-default-packages

# 添加国内镜像源（如清华源）
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes

4.3 环境冲突

问题 ：安装包时出现冲突错误
解决：

# 创建新环境
conda create -n new-env python=3.9

# 在新环境中安装必要包
conda activate new-env
conda install 包名

4.4 环境位置错误

问题 ：环境创建在错误位置
解决：

# 查看当前环境配置
conda config --show | grep envs_dirs

# 修改默认环境路径
conda config --add envs_dirs D:\new\envs\path

五、最佳实践建议

1. 命名规范：

   • 使用小写字母和连字符（如data-science）

   • 包含项目名称或用途（如web-scraping）

2. 环境粒度：

   • 为每个独立项目创建单独环境

   • 共享环境用于相似项目组

3. 版本控制：

   • 将environment.yml加入Git版本控制

   • 定期更新环境配置

4. 资源优化：

   • 定期清理不再使用的环境

   • 使用conda list查看安装的包

5. 环境文档化：

   # environment.yml示例
   name: data-analysis-env
   channels:
     - defaults
   dependencies:
     - python=3.9
     - numpy=1.21.5
     - pandas=1.4.0
     - matplotlib=3.5.1
     - scikit-learn=1.0.2
     - pip
     - pip:
         - seaborn==0.11.2