Linux下系统自带python和Anaconda切换

本文介绍了如何在Anaconda和系统自带Python之间切换的方法,利用alias命令设置不同环境下的Python版本,实现caffe与TensorFlow在不同环境下的使用。此外,还提供了conda的基本使用指南。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

小女子不才,解决不了在Anaconda环境下编译caffe,也解决不了在Anaconda环境下安装TensorFlow,因此只能一会用自带python,一会用Anaconda

那么,如果在~/.bashrc中修改文件的话,即加入export PATH="/home/myname/anaconda2/bin:$PATH",则输入python命令就会直接出来Anaconda环境下的python,当然,用TensorFlow是好的,用caffe就。。。。。。。因此,用caffe的话,我就会把这行去掉,再重新source ~/.bashrc.

这样做是麻烦了一些,但是那怎么办呢?我就想在caffe下使用自带python,在tensorflow的时候使用Anaconda。

于是,学到了一个“技巧”,叫做别名声明alias

具体用法:

alias py27="/usr/bin/python2.7" 
alias pyana="/home/myname/anaconda2/bin/python2.7" (我自己的,一定要精确到python的版本,不能只到文件夹)

这样在使用系统自带python的时候,只需要在命令行输入py27即可,用Anaconda,输入python或者pyana都可。

注意:
1. ~/.bashrc的文件中,export PATH="/home/myname/anaconda2/bin:$PATH"还是要加上的
2. 上面两行在每次开机的时候都是要输入的,如果不想每次都输入,则要将这两行加入~/.bashrc的文件中
3. 如果想取消别名声明,用unalias py27或者删除~/.bashrc中的PATH,并且重新source ~/.bashrc

附录:cona的简单使用

conda create -n [name]     #创建名为name的conda环境,如tensorflow
source activate [name]     #激活刚才创建的环境,命令完成后,回答先命令行之前多了刚创建的环境的名字
source deactivate [name]    #退出名为name的环境,回到系统默认环境
conda remove -n [name] --all   #删除刚刚创建的conda环境 
conda info -envs    #查看所安装环境列表,创建的环境都在`~/anaconda2/envs/`目录下面
conda list      #查看已经安装的包
conda install [packagename]        #安装具体的包,加-n [name]可以安装到指定环境
conda list -n [name]      #name环境下安装了哪些包
conda update -n [name] [packagename]     #升级name环境的名为packagename的包
conda remove -n [name] [packagename]     #删除name环境的名为packagename的包
<think>嗯,用户问的是PythonAnaconda的关系。我先得理解用户可能的背景。他可能刚开始学Python,或者在安装过程中遇到了问题,比如之前的对话是关于安装指南的。这时候他想了解Anaconda是什么,Python有什么关联。 首先,Python本身是一种编程语言,而Anaconda是一个发行版,包含Python许多科学计算库。用户可能对如何管理Python环境安装包感到困惑,尤其是在处理数据科学或机器学习项目时,需要很多依赖库,手动安装容易出错。这时候Anaconda的优势就显示出来了,因为它自带很多预装的库,还有conda这样的环境管理工具。 接下来,我需要解释两者的关系。Python是核心,Anaconda是在其基础上构建的工具集。用户可能想知道为什么要用Anaconda而不是直接安装Python。这时候需要强调Anaconda带来的便利性,比如环境隔离、依赖管理、跨平台支持等。比如在之前的安装指南里提到了虚拟环境,而Anaconda的conda可以更方便地创建管理这些环境,避免包冲突。 还要注意用户可能的疑问点,比如Anaconda是否替代了Python,或者是否必须使用Anaconda才能进行开发。需要明确说明Anaconda是工具,Python才是语言本身。Anaconda适合科学计算数据分析,而如果用户只是做简单的脚本开发,可能不需要它。 另外,用户可能对condapip的区别有疑问。需要简单说明conda不仅可以安装Python包,还能管理非Python的依赖,而pip仅限于Python包。这也是为什么在数据科学领域conda更受欢迎的原因之一。 还要考虑用户的操作系统,之前指南提到了Windows/Linux/macOS,所以Anaconda的跨平台特性也是一个重点。用户可能在任意系统上都能方便使用。 最后,可能需要给出使用建议,比如新手推荐使用Anaconda,因为它简化了环境配置,而高级用户可以根据需要选择。同时,结合用户之前的安装步骤,对比Anacondavenv的区别,帮助用户理解不同工具的应用场景。</think>### PythonAnaconda 的 **核心关系** 简单来说:**Python 是编程语言**,**Anaconda 是专为科学计算优化的 Python 发行版**(包含 Python 解释器 + 常用工具库 + 环境管理工具)。两者的关系可以类比为: - **Python** = 纯净水 - **Anaconda** = 预装吸管、杯盖、柠檬片的瓶装水(开箱即用) --- ### **关键区别与联系** | **特性** | **原生 Python** | **Anaconda** | |------------------------|-----------------------------|----------------------------------| | **核心功能** | 仅包含 Python 解释器 | Python + 科学计算库(如 NumPy、Pandas) + 虚拟环境管理工具(conda) | | **包管理工具** | 需手动安装 `pip` | 自带 `conda`(支持非 Python 依赖) `pip` | | **适用场景** | 通用编程 | 数据分析、机器学习、科学计算 | | **环境隔离** | 需手动配置 `venv` | 一键创建隔离环境(避免库版本冲突) | | **空间占用** | 约 50MB | 约 3GB(含预装库) | --- ### **为什么推荐 Anaconda?** 1. **预装 1500+ 科学计算库** - 无需手动安装 NumPy、Matplotlib、Scikit-learn 等常用库 - 解决依赖冲突问题(例如 TensorFlow PyTorch 的兼容性) 2. **强大的环境管理工具 `conda`** ```bash # 创建独立环境(指定Python版本) conda create -n myenv python=3.9 # 切换环境 conda activate myenv # 安装包(自动解决依赖) conda install tensorflow=2.10.0 ``` 3. **跨平台支持** - 支持 Windows/macOS/Linux 环境统一配置 --- ### **什么时候不需要 Anaconda?** - 开发轻量级脚本(如简单爬虫) - 部署生产环境(需最小化依赖) - 使用特定版本的 Python(如最新 Python 3.12) --- ### **新手使用建议** 1. **优先安装 Anaconda**:官网下载([https://www.anaconda.com/download](https://www.anaconda.com/download)) 2. **通过 Anaconda Navigator 图形界面管理包**(适合不熟悉命令行的用户) 3. **每个项目单独创建环境**(避免库版本污染) > 例如你之前提到的 3D 医学影像训练项目,可以用以下命令创建专属环境: > ```bash > conda create -n 3dunet python=3.9 > conda activate 3dunet > conda install pytorch torchvision -c pytorch > pip install monai torchio > ```
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值