全程基于Anaconda自带终端操作，所有命令复制即可用，已配置清华镜像源（解决下载慢/失败问题），结构清晰，零基础能直接跟着做。

一、前置准备：1分钟配置清华镜像源（一次性配置，永久生效）

Anaconda默认用国外源，下载包速度极慢，先配置清华源，仅需执行一次，后续所有环境都能复用。

操作步骤

1. 打开Anaconda终端：

• Windows：开始菜单搜索「Anaconda Prompt」，点击打开（自带conda环境，无需额外配置）；

• macOS/Linux：打开「终端」，Anaconda安装后会自动关联conda命令。

2. 复制以下所有命令，粘贴到终端中，按回车执行（一次性运行，无需拆分）：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ 
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r/ 
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2/ 
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/ 
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/menpo/
conda config --set show_channel_urls ye

执行完成后，清华源配置成功，后续安装所有包都会自动从清华源下载。

二、核心步骤1：新建虚拟环境（指定Python版本）

1. 基础命令格式（记牢核心参数）

conda create -n 你的环境名 python=指定Python版本 -y

- 关键参数解释：

• -n：指定「环境名」（必带，后续通过环境名管理虚拟环境）；

• python=xxx：指定Python版本（比如3.8/3.9/3.10，机器学习推荐3.8-3.10，兼容性最好）；

• -y：自动确认所有安装提示（避免终端反复问「y/n」，零基础直接加）。

2. 实操示例（推荐直接用这个，易记且兼容）

新建一个名为ml_env（machine learning environment，机器学习环境）、Python版本为3.9的虚拟环境，终端执行命令：

conda create -n ml_env python=3.9 -y

3. 成功标志

终端最后出现「# All requested packages already installed.」或「done」，无红色报错，说明虚拟环境新建成功。

三、核心步骤2：激活虚拟环境（重中之重！安装包的前提）

Anaconda的所有包都是「安装在指定虚拟环境中」的，必须先激活环境，再安装包（零基础最容易踩的坑！）。

1. 激活命令（分系统，直接复制）

• Windows系统（Anaconda Prompt）：conda activate 你的环境名

• macOS/Linux系统（终端）： source activate 你的环境名

2. 实操示例（对应上面的ml_env环境）

# Windows conda activate ml_env 
# macOS/Linux source activate ml_env

3. 激活成功标志

终端前缀会变成「(环境名)」，比如原本的C:\Users\XXX>会变成(ml_env) C:\Users\XXX>，说明已成功进入该虚拟环境，接下来所有操作都在这个环境中进行。

四、核心步骤3：安装机器学习常用包（清华源自动生效）

已激活虚拟环境（终端前缀有(ml_env)），直接复制以下命令安装，所有包都会从清华源快速下载，分「基础必备包」和「框架包」，按需安装（推荐全部安装，覆盖99%机器学习场景）。

1. 基础必备包（数值计算/数据处理/可视化/传统机器学习）

一次性安装numpy、pandas、matplotlib、scikit-learn（机器学习基础四件套，缺一不可），执行命令：

conda install numpy pandas matplotlib scikit-learn -y

- 包功能说明（零基础了解即可）：

• numpy：数值计算基础（矩阵/数组操作）；

• pandas：数据处理（读取Excel/CSV、数据清洗）；

• matplotlib：数据可视化（画折线图/柱状图/热力图）；

• scikit-learn：传统机器学习框架（回归/分类/聚类/特征工程）。

2. 深度学习框架包（二选一或都装，清华源兼容）

（1）TensorFlow（含Keras，适合入门/工业界）

安装适配Python3.9的稳定版，执行命令：

conda install tensorflow -y

（2）PyTorch（适合科研/竞赛，最主流）

安装CPU版（无显卡也能跑，零基础先装这个），执行命令：

conda install pytorch torchvision torchaudio cpuonly -c pytorch

若有NVIDIA显卡，需要装GPU版PyTorch，可补充显卡型号获取对应命令。

3. 额外实用包（可选，推荐安装）

# jupyter notebook（浏览器端写代码，零基础友好） conda install jupyter notebook -y 
# opencv（计算机视觉，处理图片/视频） conda install opencv -y

五、常用虚拟环境管理命令（后续必用，收藏）

1. 查看所有已创建的虚拟环境

conda info --envs

终端会列出所有环境名和对应的路径，方便确认环境是否存在。

2. 退出当前激活的虚拟环境

conda deactivate

执行后，终端前缀的「(环境名)」消失，说明退出成功。

3. 删除无用的虚拟环境（谨慎操作）

conda remove -n 你的环境名 --all -y

- --all：删除环境中所有包和环境本身，一次性清理干净。

六、零基础必看注意事项

1. 所有操作必须在Anaconda终端执行，普通cmd/终端可能识别不了conda命令；

2. 安装包前一定要先激活环境，否则包会装到Anaconda默认的base环境，失去虚拟环境的隔离意义；

3. Python版本建议选3.8-3.10，过高版本（3.11+）可能部分机器学习包不兼容；

4. 若安装包时出现红色报错，先执行conda update conda -y更新conda，再重新安装；

5. 命令中环境名不能有空格（比如不能叫ml env，要叫ml_env或mlenv）。

完整操作流程回顾（零基础跟着走，一步不错）

1. 打开Anaconda Prompt/终端 → 配置清华源（一次性）；

2. 新建环境：conda create -n ml_env python=3.9 -y；

3. 激活环境：conda activate ml_env（Windows）/source activate ml_env（macOS/Linux）；

4. 安装包：依次执行基础包、框架包、额外包安装命令；

5. 用完环境：conda deactivate退出。

按照以上步骤，就能快速搭建一个干净、隔离的机器学习Anaconda虚拟环境，后续做项目直接激活该环境即可，不会出现包版本冲突问题！