目录:
写在前面
写这篇文章的目的:希望大家看完这篇文章之后理解什么是conda, 学会安装conda, 并用conda在任意一台机器(主要是服务器)上配置自己的python开发环境。
如果你使用过conda,并且只是需要在服务器上配置自己的开发环境(独立的任意版本的python和你需要的python package)。那么也许你不需要看下面的内容。你只需要把conda安装在你的文件夹下(默认位置),安装过程中,在需要选择的时候仔细看提示,直接回车或者选择yes/no,一般就没有问题(其实除了最后一个和Microsoft VSCode相关的,其他可以全部选yes或回车)。然后,你可以配置自己python环境。在每次需要相应的开发环境的时候,使用的时候用
source ~/.bashrc
激活conda,然后用source activate [env_name]
激活你需要的python开发环境,就可以愉快地使用了。如果你不了解conda, 也没有使用过,或者你对上面的内容不理解,我建议你看看下面的内容/教程。我觉得写得挺冗余的。所以,如果你有不清楚的地方或者建议,欢迎留言。
conda简介
(我自己瞎写的,更多详细介绍参见这里)
conda是anaconda的简称,它其实就是一个python包组管理器。用conda我们可以非常方便地安装python的各种package(e.g. numpy, scipy, matplotlib, tensorflow, pytorch, etc.),而不用管包与包之间的dependency问题——比如有的时候你安装新的package1,它要求numpy 1.0版本,你再次安装package2,他又要求numpy1.3,这个时候就会出问题:要么package1用不了,要么package2安装失败。
当然,这个问题很大程度上被pip解决了。所以conda有点类似于pip(它们是竞争关系),但是比pip更方便,更具优势,因为它允许在一台机器上有多个python版本共存。我们可以使用conda建立多个独立的开发环境(env),在每个环境中安装自己需要的python版本及各种相关的package版本。当然,conda带来方便的同时,也是有点小瑕疵的。使用conda安装的python,在实际运行的时候效率会比较低(相对于 install from source)。不过我们主要是用python做科学研究,所以可以不用太在乎这点细微的差别。
另外,对于多用户的机器,如实验室的服务器,conda的安装本身也是相互独立的。也就是说,如果你安装了conda,别人是不知道的,也就不会去动你的开发环境。具体介绍参见这里。
下面,我们来介绍如何安装conda并利用conda安装自己的python开发环境,用于我们的机器学习/深度学习研究。
下载并安装conda
安装conda可以通过安装