备忘小记006--详解virtualenv中使用python的虚拟环境

目录

虚拟环境

1.1 问题

1.2 方案

virtualenv

2.1 安装

2.2 常用命令

使用virtualenv

小结

---

虚拟环境

1.1 问题

在同一台电脑上需要用到同一个包的不同版本（tensorflow-gpu==1.5/tensorflow-gpu==1.12和tensorflow==2.5.0），如果直接使用

sudo pip install tensorflow-gpu==1.5
sudo pip install tensorflow-gpu==1.12
sudo pip install tensorflow==2.5.0

指令依次安装，则会把整个依赖关系搞乱；同时在同一个目录下安装或者更新，新版本会覆盖以前的版本。🌰中tensorflow依赖的各种包版本也会更新至2.5.0的适配版本，需要依赖之前版本的项目工程也就无法正常运行了，更有甚者会导致NVIDIA显卡崩掉，因为driver/CUDA/cudnn等与tensorflow/pytorch/caffe等版本不配套。汉王问曰：为之奈何？

1.2 方案

答曰：其一，可置【虚拟环境】。虚拟环境可以搭建独立的python运行环境，在不同的虚拟环境里可时配置不同包的不同版本，从而使得单个项目的运行环境与其它项目互不影响。

---

virtualenv

一款让你方便而且逼格很高的python工具，它能够帮我们创建一个独立(隔离)的Python环境。下面记录一下如何使用virtualenv来使用虚拟环境。个人还是习惯使用Anaconda。

virtualenv 20.10.0 Virtual Python Environment builderhttps://pypi.org/project/virtualenv/Virtualenv docs-ENhttps://virtualenv.pypa.io/en/latest/

2.1 安装

系统：Ubuntu18.04

安装：google或度娘

就终端指令两句话：

sudo pip install virtualenv
sudo pip install virtualenvwrapper

#或者
sudo apt-get install virtualenv
sudo apt-get install virtualenvwrapper

#备注：安装虚拟环境后，如果提示找不到mkvirtualenv命令，须配置环境变量。

2.2 常用命令

virtualenv常用指令

virtualenv --version	查看virtualenv是否安装成功及检查版本
lsvirtualenv	查看系统所有存在的虚拟环境
workon xxx	virtualenvwrapper选择虚拟环境
cdvirtualenv	virtualenvwrapper进入虚拟环境目录
mkvirtualenv xxx	virtualenvwrapper创建虚拟环境
TAB键补全	virtualenvwrapper提供
rmvirtualenv xxx	virtualenvwrapper删除虚拟环境

---

使用virtualenv

创建虚拟环境：

# 方式一
virtualenv env_name
# 表示创建一个名为env_name的虚拟环境。
# 每个虚拟环境都包含一个独立的env_name/bin/python和env_name/bin/pip。
# 当运行时env_name作为运行环境。

# 方式二
virtualenv -p python2.7 env2.7 #为python2.7
virtualenv -p python3.6 env3.6 #为python3.6

virtualenv -p /usr/bin/python3.6 env3.6
# 创建指定python版本的虚拟环境

#成功安装了virtualenvwrapper以后
mkvirtualenv env_name

激活虚拟环境：

#linux
source env_name/bin/activate

#windows
env_name\Scripts\activate

退出激活环境：

# 退出当前虚拟环境

# windows
env_name\Scripts\deactivate.bat

#linux
deactivate

删除激活环境：

# linux
rm –r env_name

#windows
#直接删除创建时生成的env_name的目录就好

---

小结

例如：
1、 virtualenv挺好；
2、搞数据计算的还是偏向于Anaconda；
3、 Anaconda兼顾virtualenv和pip，但后两者更专注极致。