conda:pytorch开发环境搭建

【Pytorch框架安装——笔记】Anaconda安装Pytorch详解教程 cmd命令行输入nvidia-smi,再次查看一下更新后的CUDA安装对应版本的pytorch。conda --version将输出当前安装的Anaconda或Miniconda版本号。输入命令conda create -n torch2 python=3.9。输入命令conda activate pytorch。2、创建环境,并激活确认要下载的python版本。打开Anaconda Prompt。打开Anaconda Prompt。1、查看conda 版本。3、安装pytorch。 阅读详情
安装miniconda

上官网下载 miniConda
在本地执行 sh 文件,如果想指定安装目录,需要用管理员权限执行

配置国内镜像源

修改 ~/.condarc 文件

channels:
  - https://mirrors.ustc.edu.cn/anaconda/pkgs/main/
  - https://mirrors.ustc.edu.cn/anaconda/cloud/conda-forge/
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
  - defaults
show_channel_urls: true
基本操作
# 启用conda 操作, 执行命令 
source .bash_profile

# 退出conda操作模式, 执行命令
conda deactivate

# 查看命令帮助
conda create --help

# 创建,指定名称和python版本
conda create --name venv-name python=3.6.8

# 创建纯净版python环境
conda create --name venv-name python=3.6.8 --no-default-packages

# 创建python环境到指定路径
conda create --prefix=/root/python36/venv-name python=3.6.8
(注:路径/root/python36是先建好的文件夹)

# 克隆环境
conda create --name 新环境名称 --clone 被克隆的环境名称

# 进入python的虚拟环境:
conda activate venv-name

# 退出python的虚拟环境:
conda deactivate

# 查看所有虚拟环境
conda info --envs

# 查看当前python版本
python --version

# 删除一个已有的环境
conda remove --name venv-name --all

# 想要删除指定路径下的虚拟环境,使用如下的命令
conda remove -p /root/python36/venv-name --all
pycharm 配置conda

使用起来还是有些问题,还在研究中

安装配置pytorch环境(参考B站“我是土堆”) 阅读详情

相关推荐

Ubuntu 18.04 Python环境隔离实战:conda搭建PyTorch开发环境

Python环境管理是Linux系统开发的基础能力,其核心在于理解解释器、包管理与路径隔离三者的关系。在Ubuntu 18.04等长期支持发行版中,系统自带的Python 3.6.9承担关键底层依赖职责,直接升级或覆盖将引发apt崩溃、桌面环境异常等严重问题。因此,现代工程实践强调‘环境隔离’——通过conda等工具构建独立于系统路径(/usr/bin/)的沙盒环境,实现Python版本自由切换、第三方库(如PyTorch)精准兼容及跨机器可复现部署。本文聚焦Ubuntu 18.04这一典型老旧发行版,详解

weixin_33883104的博客 244

使用Anaconda3创建pytorch虚拟环境

其中-c pytorch中的c表示channel,即下载渠道,是国外的渠道,所以很有可能会出现安装非常缓慢的情况。利用nvidia-smi命令查找的本机CUDA版本,可以对应在PyTorch这里查找安装对应型号的pytorch包的命令。其中base为Anaconda的默认环境,mypytorch是之前搭建的环境,my2pytorch就是现在搭建出来的pytorch环境。下载完成后,可以在pytorch环境下,同上述输入conda list命令查看安装好包后的所有包的列表。必须要在pytorch环境中输入!

weixin_43200943的博客 6535

Windows AI开发环境搭建:conda+PyTorch+VS Code全链路配置指南

Python环境是AI开发的底层基石,尤其在Windows系统中,PATH机制、CUDA版本耦合与GPU驱动兼容性构成典型技术门槛。理解conda的环境隔离原理和CUDA运行时加载机制,可规避pip安装导致的二进制冲突与DLL加载失败;掌握nvidia-smi与torch.version.cuda的协同验证逻辑,能精准定位GPU不可用的根本原因。该配置方案聚焦生产就绪目标,覆盖从Python解释器管理、PyTorch GPU加速验证,到VS Code调试器环境注入等关键环节,适用于深度学习训练、Huggin

399

conda&pytorch环境搭建笔记

上面nvcc命令查到的cuda版本是12.0,但pytorch官网没有提供cuda 12.0的可选择版本,保险起见,选择了低于12.0的11.8作为兼容版本安装。每个库都有不同的版本,每个版本都有不同的依赖关系,如果多个项目的python环境混用,很快就会陷入各种库的依赖冲突的泥潭中。

golfxiao的专栏 4541

从零搭建深度学习开发环境:Conda与PyTorch实战指南

本文是一份详细的深度学习开发环境搭建实战指南,重点讲解如何使用Conda管理虚拟环境以避免依赖冲突,并指导读者正确安装和配置PyTorch(包括CPU与GPU版本)。文章涵盖了从Miniconda安装、镜像源配置、环境创建与管理,到PyTorch安装验证、VS Code开发工具集成及常见问题排查的全流程,旨在帮助初学者快速构建稳定、高效的深度学习工作台。

weixin_29074295的博客 185

从零开始:在Ubuntu22.04上用Conda搭建PyTorch开发环境(CPU/GPU双版本对比)

本文详细指导在Ubuntu22.04系统上使用Conda配置PyTorch开发环境,涵盖CPU和GPU双版本安装步骤与性能对比。从基础环境准备到具体代码验证,帮助开发者快速搭建高效的深度学习开发平台,特别适合需要兼顾不同硬件条件的AI研究人员和工程师。

weixin_28842269的博客 168

从零搭建图神经网络开发环境:Conda实战PyTorch与PyG

本文详细介绍了如何使用Conda从零搭建图神经网络(GNN)开发环境,重点讲解了PyTorch与PyG的安装与配置。通过Miniconda管理环境、国内镜像加速、CUDA版本匹配等实用技巧,帮助开发者高效解决依赖冲突问题,快速部署GNN开发环境。

weixin_30698527的博客 331

深度学习环境搭建:Anaconda+PyTorch+PyCharm黄金组合配置指南

在深度学习项目开发中,环境配置是首要且关键的技术基础。其核心原理在于通过虚拟环境管理工具实现Python包依赖的隔离与版本控制,从而确保不同项目间的稳定性和可复现性。这一技术价值在于能够有效避免因库版本冲突导致的环境崩溃问题,显著提升开发效率。在应用场景上,无论是学术研究还是工业部署,一个配置得当的开发环境都是模型训练与算法实现的基石。本文聚焦于Anaconda、PyTorch和PyCharm这一高效组合,详细解析了从Conda环境创建、PyTorch版本选择到IDE集成的完整工作流,并特别针对CUDA版本

weixin_29053067的博客 368

AI大模型开发环境搭建:从零配置Ubuntu、Conda、PyTorch与Hugging Face生态

在人工智能应用开发中,一个稳定、可复现的开发环境是项目成功的基石。其核心原理在于通过环境隔离解决复杂的依赖冲突问题,确保不同项目所需的库版本互不干扰。这一实践对于提升开发效率、保障模型训练与推理的稳定性具有重要技术价值,尤其在涉及大模型微调、多GPU并行计算等场景时尤为关键。通过合理配置操作系统、Python环境、深度学习框架及配套工具链,开发者可以构建出生产就绪的本地开发环境。本文将聚焦于**AI大模型应用开发**,详细介绍基于Ubuntu系统,利用**Conda**进行环境管理,并集成PyTorch与H

weixin_34327223的博客 383

Ubuntu22.04下Anaconda与Pytorch环境搭建全攻略

本文详细介绍了在Ubuntu22.04系统下安装Anaconda和配置Pytorch虚拟环境的完整步骤。从系统准备、Anaconda安装到虚拟环境创建与管理,再到Pytorch的具体安装和验证,提供了全面的指导。文章还包含常见问题的解决方案和环境优化建议,帮助开发者快速搭建高效的深度学习开发环境。

weixin_29082143的博客 408

VSCode中高效配置PyTorch开发环境的完整指南

本文提供了一份在VSCode中高效配置PyTorch开发环境的完整指南。从环境检查、虚拟环境创建、镜像加速配置,到精准安装PyTorch GPU版本并与VSCode深度集成,手把手教你避开常见坑点,打造流畅的AI开发工作流,显著提升深度学习项目的开发效率。

weixin_28834169的博客 385

PyTorch深度学习(0)搭建PyTorch环境

一、下载Anaconda及安装 1、下载Anaconda并安装 Anaconda | The World's Most Popular Data Science PlatformAnaconda is the birthplace of Python data science. We are a movement of data scientists, data-driven enterprises, and open source communities.https://www.anaconda.c.

JYliangliang的博客 939

一)pytorch框架与环境搭建

初学,科研项目,研究算法等建议使用pytorch;如果是要做大的工程项目,需要考虑资源消耗,最好使用tensorflow。静态图:先搭建好计算图,后运行;允许编译器进行优化。静态图的问题就是代码编程复杂,调试不直观。(但tensorflow2集成了keras应该会简单许多)需要补充线性代数,优化理论,机器学习以及深度学习的基础。1,Ubuntu 16.04注意事项。本课程:聚焦实操+工程+学术探讨。2,CUDA/cuDNN注意事项。一,初识pytorch框架。动态图:编好程序即可执行。

Engineering_的博客 559

【conda/CUDA/PyTorch】你可能需要的深度学习配置攻略

AI 时代的浪潮,似乎裹挟着我们每个人都“懂点 AI”才不会被时代所抛弃。如果你在网络上搜索 AI 学习,一定跳不过的一个词就是 深度学习。无论是图像识别、自然语言处理,还是大模型应用背后的训练机制,深度学习是这套体系的基础。

2301_77385325的博客 871

第一次面试经历:集创北方数字IC前端面试(崩)总结

时间:2020年8月11日上午10点 公司:集创北方,做LED、LCD、OLED、AMOLED等显示器芯片的公司,应该主要是做显示驱动、图像处理、电源管理等这一块。 岗位:数字IC前端设计 城市:北京 形式:线上面试。感觉我俩是两个社畜,他说摄像头开不开都可以,我说那语音OK吗他说OK,于是直接语音问答。 项目经历:基于FPGA的车牌识别 & 先导存储器集成工艺开发(课题组) & 基于FPGA的贪吃蛇小游戏 反正是凉凉的,这时候准备还不足,前面都在复习项目没怎么刷过题。 过程如下: 自我介绍

coin的博客 6682

Codex智能体从零搭建:环境配置、代码管理与MCP扩展实战

AI智能体(Agent)作为连接大语言模型与实际应用的关键技术,通过感知、决策与执行框架,将AI能力融入具体工作流。其核心原理在于利用提示工程、上下文管理与工具调用,将自然语言指令转化为可执行操作。在软件开发领域,AI智能体能够显著提升代码生成、项目管理和自动化任务的效率。通过Model Context Protocol(MCP)等标准化协议,智能体可以安全、结构化地集成外部工具与服务,实现能力扩展。本文聚焦于Codex这一AI驱动的代码助手平台,详细解析其环境配置、代码索引、记忆系统等核心模块,并深入探讨

weixin_34220179的博客 594

如何从0到1搭建python语言的编程环境并用于深度学习领域(使用pycharm编译器)

本文介绍了如何搭建Python开发环境,重点讲解了Miniconda、PyCharm和PyTorch的安装与配置。首先从Miniconda的下载安装开始,详细说明了虚拟环境创建和管理的方法;然后介绍PyCharm IDE的安装步骤和基础使用方法,包括配置Miniconda虚拟环境;最后指导如何安装PyTorch深度学习框架,特别强调了CUDA版本的匹配问题及环境变量设置。整个教程循序渐进,帮助读者完成从基础Python环境搭建到深度学习框架配置的全过程。

qq_43793376的博客 938

光纤布拉格光栅(FBG)笔记【1】:波导结构和布拉格波长推导

引言 本文是光纤布拉格光栅(FBG)的笔记【1】,主要介绍了光纤布拉格光栅的波导结构,并且利用动量和能量守恒推导了光纤布拉格波长的表达式 普通光纤中让折射率发生周期性变化就是结构最简单的均匀光纤布拉格光栅(FBG),其波导结构如下图所示。 其传感原理描述可以分为以下的三点: ①光纤纤芯传播的光会在每个光栅面进行反射和透射; ②如果不满足布拉格条件,依次排列的光栅平面反射的光会逐渐变得不同直到最后相互抵消;同时由于系数不匹配,与布拉格波长不相符的光在每个光栅平面的反射也很微弱,这些光大部分在光纤中发生透.

subtitle_的博客 2万+

配置PyTorch环境(基于vs code、Anaconda)

本文介绍了配置PyTorch开发环境的完整流程: 1)安装VSCode和Anaconda软件; 2)通过Anaconda创建Python3.14环境并激活; 3)从PyTorch官网获取安装命令安装PyTorch库; 4)验证PyTorch安装及CUDA可用性; 5)在VSCode中配置PyTorch环境,包括安装Python扩展和Jupyter支持。 文章提供了详细的命令行操作指南,帮助用户快速搭建PyTorch深度学习开发环境。

m0_74213442的博客 295

手把手教 - VSCode 开发 GD32F450 单片机

系统版本:rt-thread v5.2.2单片机型号:GD32F450ZK基于文章进行开发。

weixin_46158019的博客 845

12、多旋翼飞行器动力学建模与实验分析

本文探讨了多旋翼飞行器的动力学建模过程,包括使用四元数的优势、刚体运动学与动力学模型的构建,以及螺旋桨推力和扭矩对飞行性能的影响。文章还通过基础实验和分析实验研究了质量、转动惯量和螺旋桨参数对飞行状态和控制响应的影响,并结合理论分析与仿真结果总结了多旋翼飞行器的动力学特性。最后,对未来研究方向进行了展望,以提升多旋翼飞行器的性能和可靠性。

Python的专栏 209

ManyDepth环境搭建完整教程:3步搞定PyTorch自监督深度估计开发环境

ManyDepth 是 CVPR 2021 收录的自监督深度估计开源项目,它只靠单目视频就能训练出高质量的深度预测模型,无需任何深度真值标注。如果你正在寻找一份可快速上手的 **ManyDepth 环境搭建教程**,本文就是为你准备的:只需 3 个简单步骤,即可在你的机器上搭建好完整的 PyTorch 自监督深度估计开发环境,并立刻运行深度预测 demo。跟着操作,新手也能一次跑通。 ## 什么

gitblog_00106的博客 233

【WRF-DART第一期】WRF/DART概述

【WRF-DART第一期】WRF/DART概述

WW、forever的博客 108

PyTorch安装教程GPU conda与pip混用建议

混用conda与pip安装PyTorch常导致CUDA不可用、版本冲突和环境崩溃。关键在于统一工具链:优先使用conda完整管理PyTorch及CUDA依赖,确保组件兼容。若必须混用,应先conda后pip,并严格验证来源一致性,避免在base环境中随意安装。

weixin_42514540的博客 652

Pytorch中安装 torch_geometric 详细图文操作(全)

如果已经安装了pytorch版本,对应跳过步骤一,直接安装步骤二即可注意:依赖包的配置需要根据pytorch版本号以及cuda的版本号,版本号要适配,否则部分函数无法使用。

码农研究僧的博客 3449

手把手教你学Simulink--控制执行场景实例:基于Simulink的智能车辆自动紧急制动(AEB)仿真

本文完成了基于 Simulink 的智能车辆自动紧急制动(AEB),实现了:✅ 构建前车急刹与静止障碍物典型场景✅ 设计基于 TTC 的三级 AEB 决策逻辑✅ 验证在高风险场景下有效避免碰撞✅ 掌握从风险评估到制动执行的完整安全链✅ 为ADAS 主动安全功能开发奠定基础。

MHD0815的博客 238
上一篇: java:定时任务以及线程池任务投递
下一篇: conda:虚拟环境 bug 问题解决
github_37320188
博客等级 码龄10年 24粉丝 86原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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