深度学习入门必懂：虚拟环境的作用与 Conda / pip / venv 的区别

引言

在学习深度学习的过程中，很多初学者都会遇到这样一个问题：

“我的代码在我电脑上能跑，但换一台电脑就报错。”

“我装了 PyTorch，但 import torch 时提示找不到模块。”

“为什么我明明安装了库，Jupyter 里却用不了？”

这些问题的根源，往往不是代码写错了，而是环境配置混乱。

本文将用清晰、简洁的方式，解释：

• 什么是虚拟环境？
• 为什么它对深度学习如此重要？
• Conda、pip、venv 三者到底有什么区别？
• 如何正确使用它们？

【话不多说先安装，无需提前装python，miniconda自带】

 miniconda下载地址：https://docs.conda.io/en/latest/miniconda.html

conda create -n yolo python=3.10 -y  #名字可以自己定义
conda activate yolo
python -m pip install --upgrade pip
pip install ultralytics  #所有下载慢的包都可以加清华源↓
pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

---

一、什么是虚拟环境？为什么需要它？

虚拟环境（Virtual Environment）是一种隔离的 Python 运行环境。

你可以把它理解为：

在你的电脑里，为每个项目单独开辟一个“小房间”，每个房间有自己的 Python 解释器、安装的库和版本。

举个例子：

假设你有两个项目：

• 项目A：使用 PyTorch 1.12 和 Python 3.8
• 项目B：使用 PyTorch 2.3 和 Python 3.10

如果你直接在系统全局安装这些库，会发生：

• 安装 PyTorch 2.3 时，会覆盖掉 1.12
• 项目A 就无法运行了
• 如果你再装别的库，版本冲突会越来越多

这就是所谓的“依赖地狱”。

虚拟环境的作用，就是让每个项目拥有独立的“运行空间”，互不干扰。

---

二、三种常见的环境管理工具：venv、pip、Conda

工具	类型	能力范围	适用场景
venv	Python 内置虚拟环境工具	只能管理 Python 包	纯 Python 项目（如脚本、爬虫）
pip	Python 包管理器	只能安装 Python 包（.whl / .tar.gz）	安装单个库，如 pip install numpy
Conda	环境 + 包管理器	可管理 Python 包、C++ 库、CUDA、编译器等	深度学习、科学计算、多语言依赖项目

1. venv：轻量，但能力有限

venv 是 Python 3.3+ 自带的工具，使用简单：

python -m venv myenv        # 创建环境
source myenv/bin/activate   # Linux/macOS 激活
myenv\Scripts\activate      # Windows 激活
pip install numpy           # 安装包
deactivate                  # 退出

✅ 优点：无需额外安装，轻量、标准
❌ 缺点：只能管理 Python 包，不能安装 CUDA、cuDNN、GCC 等系统级依赖

👉 适合：写脚本、数据分析、不需要 GPU 的项目

---

2. pip：包安装工具，不是环境管理器

pip 是 Python 的包安装工具，常被误认为是“环境管理器”。

pip install torch torchvision torchaudio

它只负责下载并安装包，不关心版本兼容性，也不管理环境。

⚠️ 重要提醒：

• pip 不能创建环境 → 必须配合 venv 或 conda
• pip 安装的包，可能与其他包版本冲突
• 不要在全局环境中用 pip 安装大量包，否则极易污染系统

👉 适合：在已激活的虚拟环境中，补充安装 Python 包

---

3. Conda：深度学习的首选工具

Conda 是一个跨平台的环境与包管理器，最初为科学计算设计，现已成为 AI 开发的标准工具。

它不仅能管理 Python 包，还能：

💡 建议：conda install -c conda-forge package_name 通常能解决很多“找不到包”的问题，例如conda install -c conda-forge numpy。

• 安装 CUDA、cuDNN、OpenBLAS、GCC 等非 Python 依赖
• 自动解决版本冲突（如：PyTorch 2.3 + CUDA 12.1 + Python 3.10）
• 支持多个独立环境，互不干扰
• Conda 依赖 channels（如 defaults, conda-forge）。如果没配置好，默认通道可能没有你需要的包或版本。
• 新用户可能不知道要加 -c conda-forge，导致安装失败。

conda create --name dl-env python=3.10          # 创建环境
conda activate dl-env                           # 激活
conda install pytorch torchvision torchaudio cudatoolkit=12.1 -c pytorch  # 一键安装带 CUDA 的 PyTorch
conda env export > environment.yml              # 导出环境配置

✅ 优点：

• 管理“全栈依赖”（从驱动到代码）
• 版本兼容性由社区和官方保障
• 环境可导出、可复现，科研必备

❌ 缺点：

• 安装包较大（Miniconda 约 500MB）
• 初学者可能觉得“太重”

👉 强烈推荐：所有深度学习项目，使用 Conda + Miniconda，但是基础常用的例如yolo系列的推理等可以pip安装。

---

三、Conda vs venv + pip：实际对比

场景	使用 venv + pip	使用 Conda
创建环境	python -m venv myenv	conda create --name myenv python=3.10
安装 NumPy	pip install numpy	conda install numpy
安装 PyTorch + CUDA	pip install torch（可能失败）	conda install pytorch cudatoolkit=12.1 -c pytorch（推荐）
安装 OpenCV	pip install opencv-python	conda install opencv
导出环境	pip freeze > requirements.txt	conda env export > environment.yml
复现环境	pip install -r requirements.txt	conda env create -f environment.yml
是否支持 CUDA？	❌ 不能自动安装	✅ 自动匹配版本

💡 关键结论：
pip 只能装“软件包”，Conda 能装“整个系统”。但是一般都是conda虚拟环境+pip混合conda，实际情况很灵动多变。

---

四、最佳实践建议

✅ 1. 使用 Miniconda，而非 Anaconda

• Miniconda 只包含 Conda + Python，体积小、干净
• Anaconda 预装几百个包，容易污染环境，不适合学习者(亲测没用)

下载地址：https://docs.conda.io/en/latest/miniconda.html

✅ 2. 每个项目一个环境

conda create --name project-a python=3.9
conda create --name project-b python=3.10

✅ 3. 激活环境后再安装包

conda activate project-a
conda install numpy jupyterlab

✅ 4. 注册 Jupyter 内核（解决“Jupyter 用不了当前环境”问题）

conda activate project-a
conda install ipykernel
python -m ipykernel install --user --name project-a --display-name "Python (project-a)"

重启 Jupyter 后，新建 Notebook 时即可选择该内核。

✅ 5. 导出并提交 environment.yml

conda activate project-a
conda env export > environment.yml #conda env create -f environment.yml安装所有包括虚拟环境名字
pip freeze > requirements.txt  # pip install -r requirements.txt只安装里面的包

将 environment.yml 和代码一起提交到 Git，确保他人可复现你的环境。

✅ 这是科研和工程协作的基本素养，github项目常见pip install -r requirements.txt。

❌ 禁止行为

• 在全局环境中用 pip 安装大量包
• 在 Conda 环境中用 pip 升级 Conda 安装的包（如 pip install --upgrade torch）
• 不使用环境，直接在系统 Python 上开发

---

五、总结：一句话记住核心

“一个项目，一个环境；一个环境，一个 yml 文件/txt文件。”

• 用 Conda 管理深度学习环境
• 用 conda create / activate / export 控制生命周期
• 用 ipykernel 让 Jupyter 认识你的环境
• 用 environment.yml 实现环境复现

从此，你不再说：“在我电脑上能跑。”
你会说：“我有 environment.yml，你运行 conda env create -f environment.yml 就能跑。”

---

推荐阅读

• Conda 官方文档
• PyTorch 安装命令生成器
• Python 虚拟环境指南（官方）

---

结语

环境配置不是“调参”或“写模型”那样的高阶技能，但它却是深度学习的第一道门槛。

很多人放弃，不是因为学不会算法，而是被环境问题劝退，诚然我第一次接触的时候就发现这玩意以后肯定会踩很多坑。果不其然即便工作了后也会发现一些环境配置的问题，包括后续还有更方便的Docker也会慢慢分享出来。

掌握虚拟环境，不是为了“显得专业”，而是为了让你的代码真正跑得起来、传得出去、复现得了。

从今天开始，为每一个项目创建独立环境。
你迈出的这一步，比你多写十行代码更有价值。

---

作者简介：Yuri，AI算法内容创作者，专注帮助初学者跨越深度学习的第一道技术门槛。
欢迎关注、点赞、收藏，下一期我们将使用这个环境，运行第一行真正的 AI 代码。

---

✅ 本文适合收藏、转发、作为学习笔记，也可直接用于课程参考资料。
如需 PPT 版本或 Markdown 源文件，可留言告知，我会提供下载链接。