参考文章:
多python环境conda安装pytorch_如何共享其他环境pytorch-CSDN博客
基础认识
a、Anaconda已安装python版本环境的文件位置(在Anaconda3\envs下):
(我的在:D:\appc\Anaconda3\envs)目前只有一个环境
b、查看某个环境下安装包源码的文件位置(在Anaconda3\envs\pytorch\Lib\site-packages下)
(我的在D:\appc\Anaconda3\envs\pytorch\Lib\site-packages)
一、创建环境
1、打开CMD
2、查看已经存在的环境(防止创建新环境时同名),输入以下命令
conda env list
其中*号代表现在所处的环境。base是基础环境,pytorch是之前创建环境
3、创建新的环境,输入以下命令(二选一),其中pytorch1是新环境的名字,python=3.8是指定的新环境的python版本。
conda create -n pytorch1 python=3.8
或
conda create --name pytorch1 python=3.8
之后输入y,等待安装
4、激活环境,输入以下代码
conda activate pytorch1
5、安装pytorch,
此时,要先查看一下自己电脑的CUDA版本(windows系统下,win+R打开命令行界面输入cmd,之后命令行中输入:nvidia-smi,即可查看,如下图所示,我的是12.2)
之后进入pytorch官网Start Locally | PyTorch,下滑,选择合适的配置(没有CUDA12.2则选择12.1),之后复制红框的内容(安装命令),在新创建的环境下执行安装命令,
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
时间可能有点慢,等待。。。。,
报错可能是因为网速太慢导致下载中断,重新输入安装命令继续下载就好
6、检查是否安装成功,输入
pip list
其中“+cu121”
表示这个PyTorch版本是为CUDA 12.1编译的,这个版本相对较旧。但也说明已经安装成功。若要更新PyTorch版本,可以使用以下命令(默认最新版本及其相关库):
pip install torch torchvision torchaudio --upgrade
若需要指定CUDA版本(如果适用),也可以使用torch==1.14.0+cu113
来安装特定版本的PyTorch。(更新PyTorch版本还没试过)
7、至此安装完成,打开vscode,Ctrl键+shift键+p,弹出“Python:选择解释器”,点击后选择自己新建的pytorch1,即环境切换完成
二、常用命令
1、环境相关
- 查询已搭建的环境:
- conda env list
- 创建环境:
- conda create -n pytorch python=3.8
- conda create --name pytorch python=3.8
- 删除环境:
- conda remove -n pytorch --all
- 激活环境:(对于base环境,可直接简写为activate)
- activate pytorch
- 退出环境:
- deactivate
- 导出环境配置文件environment.yml:
- conda env export > environment.yml
- 从YAML文件创建环境:
- conda env create -f environment.yml
2、conda相关
- 下载包:
- conda install package_name
- 卸载包
- conda remove package_name
- 查询环境中的所有包及其版本:
- conda list
- 更新conda本身:
- conda update conda
- 更新环境中的包:
- conda update --all
- 搜索可安装的包(package_name是包的名字):
- conda search package_name
3、pip相关
- 查看包的详细信息:
- pip show package_name
- 列出已经安装的包
- pip list
- 安装特定版本的包:
- pip install package_name==version
- 安装包
- pip install package_name
- 卸载已安装的包
- pip uninstall package_name
注意:结合使用Conda和pip时,通常建议首先使用Conda来管理主要的Python环境和依赖包,尤其是那些与操作系统级依赖紧密相关的包。对于Conda仓库中不存在的包,则可以使用pip来安装。然而,要注意混合使用Conda和pip可能会导致环境依赖问题,尤其是在复杂的项目中。因此,尽可能在一个环境中保持一致的包管理工具是一个好的做法。