Conda 常用语法总结：Python 环境管理入门与实践
一、Conda 是什么？
在使用 Python 做深度学习、机器学习、数据分析或者科研项目时，经常会遇到不同项目依赖不同版本库的问题。
例如：
- 项目 A 需要
Python 3.8 - 项目 B 需要
Python 3.10 - 项目 C 需要
TensorFlow 2.14 - 项目 D 需要
PyTorch 2.x
如果所有包都安装在同一个 Python 环境中，很容易出现版本冲突。为了解决这个问题，可以使用 Conda 来管理不同的 Python 环境。
简单来说：
Conda 是一个环境管理和包管理工具，可以为不同项目创建独立的 Python 运行环境。
二、查看 Conda 版本
安装 Conda 后，可以使用以下命令查看版本：
conda --version或者：
conda -V示例输出：
conda 24.1.2如果能够正常显示版本，说明 Conda 已经安装成功。
三、查看已有环境
查看当前电脑或服务器中已有的 Conda 环境：
conda env list或者：
conda info --envs示例输出：
# conda environments:
#
base * /opt/anaconda3
THz /opt/anaconda3/envs/THz
fyp /opt/anaconda3/envs/fyp
sionna_env /opt/anaconda3/envs/sionna_env其中带有 * 的环境表示当前正在使用的环境。
例如：
base *表示当前处于 base 环境中。
四、创建新的 Conda 环境
创建环境时，最常用的语法是：
conda create -n 环境名 python=版本号例如，创建一个名为 myenv 的环境，并指定 Python 版本为 3.10：
conda create -n myenv python=3.10创建过程中，Conda 会提示是否继续安装相关依赖：
Proceed ([y]/n)?输入：
y即可继续。
如果不指定 Python 版本：
conda create -n myenv也可以创建环境，但通常不推荐。实际项目中最好明确指定 Python 版本，减少后续兼容性问题。
五、激活 Conda 环境
创建环境后，需要激活该环境：
conda activate 环境名例如：
conda activate myenv激活成功后，终端前面通常会出现环境名：
(myenv) user@server:~$这说明当前已经进入 myenv 环境。
六、退出当前环境
退出当前 Conda 环境：
conda deactivate如果当前在 myenv 环境中，执行后通常会回到 base 环境：
(base) user@server:~$如果继续执行一次：
conda deactivate则可能会退出到系统默认 shell 环境。
七、删除 Conda 环境
如果某个环境不再使用，可以删除它：
conda remove -n 环境名 --all例如删除 myenv：
conda remove -n myenv --allConda 会列出将要删除的包，并询问是否继续：
Proceed ([y]/n)?输入：
y即可删除。
注意：删除环境前，一定要确认当前没有正在使用该环境运行程序。
八、安装 Python 包
在 Conda 环境中，可以用 conda install 安装包：
conda install 包名例如：
conda install numpy也可以一次安装多个包：
conda install numpy pandas matplotlib指定版本安装：
conda install numpy=1.26.4指定 channel 安装：
conda install -c conda-forge 包名例如：
conda install -c conda-forge netcdf4其中 conda-forge 是一个常用的第三方 Conda 软件源，里面有很多更新、更全的包。
九、使用 pip 安装包
有些包在 Conda 中可能找不到，或者 Conda 安装版本不合适，这时可以使用 pip：
pip install 包名例如：
pip install torch指定版本：
pip install numpy==1.26.4安装 requirements.txt 中的依赖：
pip install -r requirements.txt注意：在 Conda 环境中使用 pip 时，一定要先激活目标环境。
例如：
conda activate myenv
pip install package_name否则包可能被安装到错误的环境中。
十、conda install 和 pip install 的区别
| 命令 | 特点 |
|---|---|
conda install |
更适合安装 Python 包以及底层依赖，例如 CUDA、MKL、编译库等 |
pip install |
更适合安装 PyPI 上的 Python 包，包数量更多 |
conda install -c conda-forge |
适合安装 Conda 官方源中没有或版本较旧的包 |
一般建议：
- 优先使用
conda install - 如果 Conda 找不到，再使用
pip install - 尽量不要在同一个环境中频繁混用 Conda 和 pip，容易产生依赖冲突
比较稳妥的做法是：
conda create -n myenv python=3.10
conda activate myenv
conda install numpy pandas matplotlib
pip install 其他conda中没有的包十一、查看当前环境中已安装的包
查看当前环境中所有已安装的包：
conda list如果只想查某个包：
conda list numpy示例：
conda list torch也可以使用 pip 查看：
pip list查看某个包的详细信息：
pip show 包名例如：
pip show torch十二、更新包
更新某个包：
conda update 包名例如：
conda update numpy更新 Conda 本身：
conda update conda更新当前环境中的所有包：
conda update --all不过实际项目中不建议随意执行：
conda update --all因为它可能会改变很多包的版本，导致原本能运行的项目出现兼容性问题。
科研项目或深度学习项目中，环境稳定比盲目更新更重要。
十三、导出 Conda 环境
为了让别人复现自己的环境，或者以后自己重新配置环境，可以导出当前环境：
conda env export > environment.yml这会生成一个 environment.yml 文件，里面记录了当前环境中的包和版本。
建议在项目目录下执行：
conda activate myenv
conda env export > environment.yml这样项目文件夹中就会保存一份环境配置文件。
十四、根据 environment.yml 创建环境
如果别人给了一个 environment.yml 文件，可以使用：
conda env create -f environment.yml创建完成后，查看环境：
conda env list然后激活环境：
conda activate 环境名如果想在创建时指定新的环境名，可以使用：
conda env create -f environment.yml -n new_env_name十五、更新已有环境
如果当前已经有环境，并且想根据 environment.yml 更新它，可以使用：
conda env update -f environment.yml如果想删除环境中多余的包，使环境尽量和 environment.yml 保持一致，可以使用：
conda env update -f environment.yml --prune十六、导出更干净的环境文件
直接使用：
conda env export > environment.yml有时会导出很多系统相关信息，例如具体的安装路径、平台相关依赖等。
如果只是想记录自己手动安装过的主要依赖，可以使用：
conda env export --from-history > environment.yml这种方式导出的文件更简洁，更适合跨设备或跨服务器复现环境。
不过它也有缺点：有些由 pip 安装的包可能不会完整记录。因此实际使用中，可以根据情况选择。
常见做法：
conda env export --from-history > environment.yml
pip freeze > requirements.txt这样 Conda 和 pip 的依赖都可以保存下来。
十七、克隆 Conda 环境
如果想复制一个已有环境，可以使用：
conda create -n 新环境名 --clone 原环境名例如：
conda create -n myenv_backup --clone myenv这样会创建一个 myenv_backup 环境，内容和 myenv 基本一致。
这个方法适合在修改环境前做备份。
十八、重命名 Conda 环境
Conda 本身没有非常直接的重命名命令，常用方法是先克隆，再删除原环境。
例如把 old_env 改名为 new_env：
conda create -n new_env --clone old_env
conda remove -n old_env --all这样就相当于完成了环境重命名。
十九、清理 Conda 缓存
Conda 使用时间久了以后，会积累很多安装包缓存，占用磁盘空间。可以使用：
conda clean --all执行后会提示是否删除缓存文件：
Proceed ([y]/n)?输入
y即可。
如果只想清理安装包缓存：
conda clean --packages如果只想清理压缩包缓存：
conda clean --tarballs在云服务器上，如果系统盘空间不足，清理 Conda 缓存通常会有帮助。
二十、查看 Conda 配置信息
查看 Conda 的基本信息：
conda info查看 Conda 配置：
conda config --show查看当前配置了哪些 channels：
conda config --show channels二十一、配置 Conda channels
Conda 安装包时会从 channels 中查找软件包。常见 channel 包括：
defaultsconda-forgepytorchnvidia
添加 channel：
conda config --add channels conda-forge设置安装时显示 channel 来源：
conda config --set show_channel_urls yes如果想删除某个 channel：
conda config --remove channels channel_name例如：
conda config --remove channels conda-forge实际使用中，如果只是偶尔从某个 channel 安装包，可以不全局添加，而是临时指定：
conda install -c conda-forge package_name这样更可控。
二十二、设置不自动进入 base 环境
安装 Anaconda 或 Miniconda 后，有时每次打开终端都会自动进入 base 环境。
如果不希望自动进入 base，可以执行：
conda config --set auto_activate_base false之后重新打开终端，就不会自动显示：
(base)如果之后想恢复自动进入 base：
conda config --set auto_activate_base true二十三、查看 Python 和 pip 路径
在 Conda 环境中，有时候需要确认当前使用的 Python 和 pip 是否属于当前环境。
Linux / macOS：
which python
which pipWindows：
where python
where pip示例输出：
/opt/anaconda3/envs/myenv/bin/python
/opt/anaconda3/envs/myenv/bin/pip如果路径中包含当前环境名，例如 myenv，说明使用的是正确环境。
也可以查看 Python 版本：
python --version查看 pip 版本：
pip --version二十四、在 Jupyter Notebook 中使用 Conda 环境
如果想在 Jupyter Notebook 中选择自己的 Conda 环境，需要安装 ipykernel：
conda activate myenv
conda install ipykernel然后把当前环境注册到 Jupyter：
python -m ipykernel install --user --name myenv --display-name "Python (myenv)"之后打开 Jupyter Notebook 或 JupyterLab，就可以在 Kernel 中选择：
Python (myenv)如果要删除某个 Jupyter kernel：
jupyter kernelspec list找到对应名称后删除：
jupyter kernelspec uninstall myenv二十五、GPU 环境中的 Conda 使用建议
在深度学习项目中，GPU 环境经常涉及：
- NVIDIA 驱动
- CUDA
- cuDNN
- PyTorch
- TensorFlow
这里需要注意一个常见误区：
nvidia-smi显示的 CUDA Version 不一定等于你 Conda 环境中安装的 CUDA 版本。
例如 nvidia-smi 显示：
CUDA Version: 11.7这通常表示当前显卡驱动最高支持的 CUDA 版本，而不是当前 Python 环境中实际使用的 CUDA 版本。
在 PyTorch 中，可以使用：
import torch
print(torch.__version__)
print(torch.cuda.is_available())
print(torch.version.cuda)
print(torch.cuda.get_device_name(0))如果输出：
True说明 PyTorch 可以正常使用 GPU。
安装 PyTorch 时，建议根据官网命令安装，不要随便复制旧命令。例如：
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia或者使用 pip：
pip install torch torchvision torchaudio具体命令应根据服务器驱动、CUDA 支持情况和项目要求选择。
二十六、常见问题 1：conda activate 无效
如果执行：
conda activate myenv出现错误，例如：
CommandNotFoundError: Your shell has not been properly configured to use 'conda activate'可以执行：
conda init然后重新打开终端。
如果使用的是 zsh：
conda init zsh如果使用的是 bash：
conda init bash之后关闭并重新打开终端，再尝试：
conda activate myenv二十七、常见问题 2：包安装到了错误环境
有时候明明安装了包，但运行 Python 时仍然报错：
ModuleNotFoundError: No module named 'xxx'这通常是因为包安装到了另一个环境。
建议检查：
which python
which pip
conda env list然后确认当前环境是否正确：
conda activate myenv
pip show xxx如果 pip show 找不到，说明当前环境中没有安装该包，需要重新安装：
pip install xxx二十八、常见问题 3：环境冲突严重怎么办？
如果 Conda 提示大量依赖冲突，例如：
Solving environment: failed或者一直卡在：
Solving environment可以尝试以下方法。
方法一：创建新环境
不要在旧环境里反复修补，直接创建一个干净环境通常更快：
conda create -n new_env python=3.10
conda activate new_env然后重新安装项目依赖。
方法二：减少一次性安装的包
不要一次安装太多包，可以先安装核心包：
conda install numpy pandas matplotlib再逐步安装深度学习框架或其他依赖。
方法三：使用 conda-forge
有些包在默认源中版本较旧，可以尝试：
conda install -c conda-forge package_name方法四：使用 mamba
mamba 是一个更快的 Conda 替代工具，解决依赖速度更快。
安装：
conda install -n base -c conda-forge mamba之后可以使用：
mamba install package_name或者：
mamba create -n myenv python=3.10二十九、一个实际项目环境配置示例
假设我要创建一个用于时间序列预测项目的环境，使用 PyTorch、pandas、numpy 和 matplotlib。
1. 创建环境
conda create -n time_series python=3.102. 激活环境
conda activate time_series3. 安装常用科学计算包
conda install numpy pandas matplotlib scikit-learn4. 安装 PyTorch
根据自己的服务器情况安装对应版本。例如：
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia5. 测试 GPU 是否可用
进入 Python：
python输入：
import torch
print(torch.cuda.is_available())
print(torch.version.cuda)如果输出：
True说明 GPU 可用。
6. 导出环境
conda env export --from-history > environment.yml这样以后可以通过 environment.yml 复现环境。
三十、常用命令总结
| 命令 | 功能 |
|---|---|
conda --version |
查看 Conda 版本 |
conda env list |
查看所有 Conda 环境 |
conda info --envs |
查看所有 Conda 环境 |
conda create -n env_name python=3.10 |
创建新环境 |
conda activate env_name |
激活环境 |
conda deactivate |
退出当前环境 |
conda remove -n env_name --all |
删除环境 |
conda list |
查看当前环境已安装的包 |
conda install package_name |
安装包 |
conda install package_name=版本号 |
安装指定版本的包 |
conda install -c conda-forge package_name |
从指定 channel 安装包 |
conda update package_name |
更新指定包 |
conda update conda |
更新 Conda |
conda env export > environment.yml |
导出完整环境 |
conda env export --from-history > environment.yml |
导出手动安装的主要依赖 |
conda env create -f environment.yml |
根据环境文件创建环境 |
conda create -n new_env --clone old_env |
克隆环境 |
conda clean --all |
清理缓存 |
conda config --set auto_activate_base false |
关闭自动进入 base 环境 |
which python |
查看当前 Python 路径 |
which pip |
查看当前 pip 路径 |
三十一、个人使用建议
在实际使用 Conda 时，我建议养成以下习惯：
- 每个项目单独创建一个 Conda 环境；
- 创建环境时明确指定 Python 版本；
- 安装包前先确认当前环境是否正确；
- 重要项目不要随意
conda update --all； - 项目跑通后及时导出
environment.yml； - 如果环境冲突严重，不要硬修，直接新建环境往往更快；
- 深度学习项目中，优先确认 Python、PyTorch/TensorFlow、CUDA 版本是否匹配。
三十二、总结
Conda 是 Python 项目开发中非常重要的环境管理工具，尤其适合科研、机器学习和深度学习项目。
日常最常用的命令其实并不多：
conda create -n env_name python=3.10
conda activate env_name
conda env list
conda list
conda install package_name
conda remove -n env_name --all
conda env export > environment.yml熟练掌握这些命令后，就可以比较稳定地管理多个项目环境，减少依赖冲突带来的麻烦。
对于经常使用云服务器、跑深度学习模型或者维护多个 Python 项目的人来说，Conda 是非常值得掌握的基础工具。
更多推荐
6
0- 0
已为社区贡献2条内容
所有评论(0)