Miniconda-Python3.10实战：快速安装PyTorch/TensorFlow框架

张皓and梁媛哲

240人浏览 · 2026-03-08 01:23:01

张皓and梁媛哲 · 2026-03-08 01:23:01 发布

Miniconda-Python3.10实战：快速安装PyTorch/TensorFlow框架

你是不是也遇到过这样的场景？项目A需要PyTorch 1.12，项目B却要求TensorFlow 2.8，而你的系统里只有一个Python环境，安装新版本总会把旧版本搞乱。或者，你只是想快速搭建一个干净的AI开发环境，不想被各种依赖冲突搞得焦头烂额。

今天，我们就来解决这个问题。我将带你使用Miniconda-Python3.10镜像，在几分钟内搭建一个独立的Python环境，并快速、无冲突地安装PyTorch和TensorFlow两大主流AI框架。整个过程就像搭积木一样简单，让你彻底告别“依赖地狱”。

1. 为什么选择Miniconda？环境管理的“瑞士军刀”

在开始动手之前，我们先花一分钟搞清楚，为什么Miniconda是管理Python环境的绝佳选择。

想象一下，你是一个厨师。系统自带的Python环境就像你家唯一的厨房，所有菜（项目）都在这里做。今天做川菜（PyTorch项目），明天做西点（TensorFlow项目），锅碗瓢盆（依赖包）混在一起，清理起来麻烦，还容易串味（版本冲突）。

而Miniconda为你提供了无数个独立的“小厨房”，也就是虚拟环境。每个项目都有自己的专属厨房，里面只放这个项目需要的厨具和调料。项目做完，直接把整个小厨房扔掉，完全不影响其他项目。这就是它的核心价值：隔离与纯净。

Miniconda相比完整的Anaconda，更加轻量，只包含最核心的conda包管理器和Python，没有预装大量你可能用不到的库，非常适合追求效率和可控性的开发者。

我们使用的这个Miniconda-Python3.10镜像，已经预置了Python 3.10和conda，开箱即用。Python 3.10是一个性能优秀且兼容性好的版本，对PyTorch、TensorFlow等框架的支持都非常完善。

2. 第一步：启动你的专属开发环境

拿到镜像后，我们有两种主要的方式来使用它：通过Web界面的Jupyter Notebook，或者通过更灵活的SSH终端。你可以根据习惯选择一种。

2.1 方式一：通过Jupyter Notebook（推荐新手）

对于数据科学和AI开发，Jupyter Notebook提供了一个交互式的可视化环境，非常适合探索性编程和教学。

访问Web界面：根据镜像文档中的图示，在CSDN星图平台启动该镜像实例后，你会获得一个访问地址（通常是一个URL）。在浏览器中打开它。
登录JupyterLab：输入平台提供的token或密码进行登录，你将进入JupyterLab界面。这里你可以创建新的Notebook文档（.ipynb文件）、打开终端、管理文件等。
打开终端：在JupyterLab的Launcher界面，点击“Terminal”图标，这将打开一个在服务器后台运行的Linux终端。我们后续的所有conda命令都将在这里执行。

这种方式的好处是，代码、命令行和文档可以放在一起，非常直观。

2.2 方式二：通过SSH连接（推荐高级用户/脚本化）

如果你更喜欢在本地IDE（如VSCode、PyCharm）中编码，或者需要通过脚本自动化部署，SSH是更强大的方式。

获取连接信息：在镜像实例的管理页面，找到SSH连接信息，包括服务器IP（或域名）、端口号以及登录用户名（通常是root或ubuntu）。
本地连接：
- Linux/Mac：直接打开终端，使用命令 ssh username@server_ip -p port 进行连接。
- Windows：可以使用PuTTY、Windows Terminal或VSCode的Remote-SSH插件进行连接。
验证环境：连接成功后，你应该直接进入了一个Linux命令行环境。输入 conda --version 和 python --version，确认Miniconda和Python 3.10已就绪。

无论哪种方式，当你看到命令行提示符前有 (base) 字样时，就说明你已经处于conda的默认基础环境下了。

3. 第二步：用Conda魔法创建虚拟环境

现在，我们开始施展conda的第一个魔法：创建独立的虚拟环境。我们将创建一个名为 ai_env 的环境专门用于AI开发。

在终端中执行以下命令：

# 创建一个名为 ai_env 的新环境，并指定Python版本为3.10
conda create -n ai_env python=3.10 -y

命令解析：

conda create：创建环境的指令。
-n ai_env：-n 是 --name 的缩写，后面跟着你想给环境起的名字，这里叫 ai_env。
python=3.10：指定在这个环境中安装Python 3.10。
-y：自动对后续的确认提示回答“yes”，省去手动确认。

执行完成后，一个纯净的、只包含Python 3.10和少量核心依赖的 ai_env 环境就创建好了。但它现在还处于“休眠”状态。

激活环境，进入这个专属的“小厨房”：

conda activate ai_env

激活后，你的命令行提示符通常会从 (base) 变为 (ai_env)。这意味着之后所有通过 pip 或 conda 安装的包，都只会影响当前这个 ai_env 环境，不会污染系统的 base 环境或其他环境。

如果想退出当前环境，回到base环境，只需执行：

conda deactivate

4. 第三步：快速安装PyTorch（CPU/GPU版）

PyTorch以其动态计算图和易用性深受研究人员喜爱。安装前，你需要根据自己是否有NVIDIA GPU来选择安装命令。

首先，确保你已经激活了 ai_env 环境（命令行前有 (ai_env)）。

4.1 安装CPU版本的PyTorch

如果你的环境没有NVIDIA GPU，或者暂时不需要GPU加速，安装CPU版本是最简单快捷的。使用conda安装通常能更好地解决依赖。

# 使用conda安装PyTorch (CPU版本) 及其相关的科学计算库
conda install pytorch torchvision torchaudio cpuonly -c pytorch -y

4.2 安装GPU版本的PyTorch（需要CUDA）

如果你有NVIDIA GPU并已安装相应版本的CUDA工具包，可以安装GPU版本以获得巨大的计算加速。

访问 PyTorch官网，使用其提供的安装命令生成器选择你的CUDA版本，会得到类似下面的命令。这里以CUDA 11.8为例：

# 使用conda安装支持CUDA 11.8的PyTorch
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia -y

安装验证：安装完成后，在Python中简单测试一下：

# 在终端中输入 python 进入交互模式，然后依次输入：
import torch
print(torch.__version__)          # 打印PyTorch版本
print(torch.cuda.is_available()) # 如果安装的是GPU版，这里会输出True

如果成功输出版本号，并且 torch.cuda.is_available() 对于GPU版返回 True，说明PyTorch安装成功！

5. 第四步：快速安装TensorFlow 2.x

TensorFlow在工业部署和生态完整性方面有很强优势。对于Python 3.10，我们通常安装TensorFlow 2.x的最新稳定版。

同样，确保在 (ai_env) 环境下操作。

5.1 安装CPU版本的TensorFlow

# 使用pip安装TensorFlow CPU版本
pip install tensorflow -U

-U 参数代表升级到最新版本。

5.2 安装GPU版本的TensorFlow（需要CUDA和cuDNN）

安装GPU版本相对复杂，需要严格匹配TensorFlow、CUDA、cuDNN的版本。对于TensorFlow 2.10及以后版本，官方推荐使用 tensorflow 包，并通过系统环境识别CUDA。

最稳妥的方法是先安装 tensorflow，然后根据提示或日志安装对应版本的CUDA和cuDNN。但通过conda，可以一键解决所有依赖：

# 使用conda安装TensorFlow GPU版本及相关CUDA依赖（以TensorFlow 2.10对应CUDA 11.2为例）
conda install tensorflow-gpu cudatoolkit=11.2 cudnn -c conda-forge -y

注意：你需要根据你想安装的TensorFlow版本，去查找其官方文档要求的CUDA和cuDNN版本，并相应调整上面的 cudatoolkit=11.2。

安装验证：

# 在Python交互模式中测试
import tensorflow as tf
print(tf.__version__)            # 打印TensorFlow版本
print(tf.config.list_physical_devices('GPU')) # 列出可用GPU，如果有则安装成功

6. 第五步：环境管理与常用技巧

环境建好了，框架也装好了，再来学几个让开发更顺畅的conda小技巧。

6.1 环境管理常用命令

# 查看所有已创建的环境
conda env list
# 或
conda info --envs

# 复制一个环境（例如，从 ai_env 复制一个名为 ai_backup 的备份环境）
conda create -n ai_backup --clone ai_env

# 彻底删除一个环境（谨慎操作！）
conda remove -n ai_env --all

# 导出当前环境的配置（生成一个environment.yml文件）
conda env export -n ai_env > environment.yml

# 根据yml文件复现一个一模一样的环境
conda env create -f environment.yml

这个 environment.yml 文件特别有用，你可以把它分享给同事或上传到GitHub，确保大家能在完全一致的环境下运行代码。

6.2 包管理常用命令

# 在当前环境中安装包
conda install package_name
# 或使用pip（当conda频道中没有某个包时）
pip install package_name

# 更新某个包
conda update package_name

# 卸载包
conda remove package_name

# 查看当前环境已安装的所有包
conda list

# 搜索某个包
conda search package_name

6.3 解决安装中的常见问题

下载慢或失败：可以配置国内的conda镜像源（如清华、中科大源）来加速下载。
包版本冲突：conda在安装时会尽力解决依赖关系。如果失败，可以尝试先安装核心包，再逐个安装其他依赖，或者创建一个更“干净”的新环境。
“Solving environment”时间过长：conda在解析依赖关系。对于复杂环境，可以尝试使用 mamba（一个conda的快速替代解析器），或者明确指定包的版本号以减少解析范围。