Linux 下快速搭建 PyTorch 开发环境：Miniconda 与清华镜像配置指南

关注

原创最新推荐文章于 2026-08-19 15:02:58 发布 201 阅读 AI 写同款· GEO 优化 ›

Miniconda清华镜像极速安装教程：比Anaconda轻量90%的Python环境搭建方案本文提供了一份详细的Miniconda清华镜像极速安装教程。通过对比Anaconda，阐述了Miniconda轻量90%、高度可定制的优势，并手把手指导用户从清华大学开源软件镜像站快速下载安装包，完成安装、配置国内镜像源以及创建专属Python科学计算环境的全过程，助力开发者构建纯净、高效的工作流。阅读详情

1. 为什么选择 Miniconda 来管理你的 PyTorch 环境？

如果你刚开始接触深度学习，或者刚从 Windows 或 macOS 转到 Linux 做开发，可能会被环境配置搞得头大。我刚开始那会儿，最怕的就是“版本冲突”——辛辛苦苦装好一个库，结果另一个项目跑不起来了，或者系统自带的 Python 被搞乱。这种痛，相信很多朋友都经历过。

这时候，Miniconda 就是你的救星。你可以把它理解为一个“环境隔离大师”。它不像 Anaconda 那样预装了成百上千个你可能用不上的科学计算包，它非常轻量，只包含最核心的 Conda 包管理器和 Python。这带来的好处是安装快、占用空间小，而且非常干净。你完全可以根据每个项目的需要，创建一个个独立的“小房间”（虚拟环境），每个房间里安装特定版本的 Python、PyTorch 以及其他依赖库。项目A用 PyTorch 1.8 和 Python 3.7，项目B用 PyTorch 2.0 和 Python 3.10？没问题，两个环境互不干扰，切换起来也就一条命令的事。

那为什么非得在 Linux 下用呢？对于深度学习来说，Linux 几乎是生产环境的标准选择。它更稳定，对 GPU 等硬件资源的调度更高效，而且很多底层的加速库在 Linux 上支持得最好。直接在 Linux 系统 Python 里装东西，一旦玩脱了，影响的是整个系统。而用 Miniconda 创建的环境，都在你的用户目录下，删掉环境文件夹就干干净净，系统安然无恙。所以，这套“Linux + Miniconda + 虚拟环境”的组合拳，是开始深度学习之旅最稳妥、最专业的第一步。

2. 手把手安装 Miniconda：从下载到验证

好了，道理讲完，咱们直接开干。整个过程就像搭积木，一步一步来，非常清晰。

2.1 准备工作与下载安装脚本

首先，我们打开终端。在 Linux 下，几乎所有操作都离不开这个黑乎乎的窗口，别怕，它很强大。我习惯为这类自己安装的软件创建一个专门的目录，比如就叫 software 或者 tools，这样好管理。这里我们按原始文章的来，创建一个 miniconda 目录并进入：

mkdir -p ~/miniconda
cd ~/miniconda

接下来是下载安装脚本。这里就是第一个提速技巧了：直接从国内镜像站下载，速度会快很多倍。清华大学开源软件镜像站是我们国内开发者的好朋友。我们使用 wget 命令来下载最新的 Miniconda 安装脚本（针对 x86_64 架构的 Linux 系统）：

wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-latest-Linux-x86_64.sh

这条命令执行后，你会看到一个进度条飞速前进（如果网络正常的话）。下载下来的文件是一个以 .sh 结尾的 Shell 脚本，大概几百MB。如果因为网络问题 wget 失败了，你也可以直接打开浏览器，访问 https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/，手动找到 Miniconda3-latest-Linux-x86_64.sh 这个文件下载，然后通过图形界面或 scp 命令放到这个目录里。

2.2 执行安装与关键步骤选择

下载完成后，我们赋予这个脚本执行权限，然后运行它：

bash Miniconda3-latest-Linux-x86_64.sh

安装程序会启动。首先会出现一堆许可条款，一直按回车往下翻。如果你不想看，直接按 Ctrl+C 就可以中断阅读，然后它会问你是否接受许可协议，输入 yes 回车。

接下来是关键步骤：选择安装路径。安装程序会显示一个默认路径，通常是 /home/你的用户名/miniconda3。我强烈建议你直接回车使用这个默认路径。这样最省心，所有东西都会规规矩矩地装在你的家目录下，不会去动系统目录。如果你有特殊需求，比如要安装到别的硬盘，也可以输入自定义路径。

然后，安装程序会问你是否要初始化 Conda。它会提示“Do you wish the installer to initialize Miniconda3 by running conda init?”，这里一定要输入 yes 回车。这个操作会在你的 Shell 配置文件（如 ~/.bashrc）末尾添加几行，目的是让你每次打开终端，都能方便地使用 conda 命令。如果不初始化，每次都得手动激活，非常麻烦。

安装完成后，它会提示你关闭并重新打开终端，或者执行 source ~/.bashrc 来使配置生效。我们选择更简单的方式，直接执行：

source ~/.bashrc

现在，你的命令行提示符前面，应该会出现一个 (base) 字样。这说明你已经进入了 Miniconda 的“基础环境”。恭喜，Miniconda 安装成功！你可以通过以下命令验证一下：

conda --version

这会显示 Conda 的版本号。再试试：

python --version

这会显示当前环境（base环境）下的 Python 版本，应该是 Miniconda 自带的较新版本。

3. 配置清华镜像源：让下载速度飞起来

安装好 Conda 只是第一步，如果不做任何配置，你会发现用 conda install 安装包时，速度慢如蜗牛，甚至经常超时失败。因为默认的软件源服务器在国外。所以，配置国内镜像源是必不可少的一步，能让你后续的所有操作体验提升好几个档次。

3.1 理解 Conda 的配置文件

Conda 的配置信息存储在一个叫 .condarc 的文件里，这个文件通常在你的用户家目录下（~/.condarc）。如果还没有，我们可以通过命令创建它。配置镜像源，本质上就是修改这个文件，告诉 Conda：“以后下载东西，别去国外那个慢悠悠的仓库了，去清华的镜像站，又快又稳。”

原始文章给出了两种方法：直接编辑配置文件，或者用命令行添加。我两种都讲讲，你可以按喜好选择。

方法一：命令行添加（推荐给新手） 这种方法一条条命令执行，清晰明了。我们依次添加清华镜像的 main、free（旧版，现已合并）和 conda-forge 频道。conda-forge 是一个社区维护的、包数量非常丰富的频道，很多前沿的包都在这里。

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/

设置显示安装包的来源频道，这样安装时你能清楚地看到包是从哪个镜像站下载的：

conda config --set show_channel_urls yes

方法二：直接编辑配置文件（适合喜欢掌控一切的玩家） 用文本编辑器（如 vim 或 nano）直接打开或创建 ~/.condarc 文件：

vim ~/.condarc

然后将以下内容复制进去。注意，channels 的顺序很重要，Conda 会按从上到下的优先级搜索包。我们把镜像源放在最上面，defaults（官方源）放在最后作为后备。

channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
  - defaults
show_channel_urls: true
ssl_verify: true # 确保SSL验证是开启的，安全第一

保存退出后，配置就生效了。

3.2 别忘了配置 pip 的镜像源

这里有一个非常重要的细节！Conda 环境里，我们不仅会用 conda install 安装包，有时候也会用到 pip install（尤其是一些仅通过 PyPI 发布的包）。Conda 的镜像源只对 conda 命令生效，pip 有自己的索引源，默认也是国外的。

所以我们必须也给 pip 换上国内镜像。在终端里执行：

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

这条命令会为当前用户全局设置 pip 源。如果你只想为某个虚拟环境设置，可以先激活那个环境，再执行这条命令。

3.3 关闭自动激活 base 环境

你可能已经注意到，每次打开终端，都会自动进入 (base) 环境。对于新手，这能提醒你在用 Conda。但时间长了，你可能会觉得有点烦，因为你可能更希望默认是系统环境，只在需要时手动激活 Conda 环境。

关闭这个自动激活功能很简单：

conda config --set auto_activate_base false

执行后，关闭当前终端再重新打开，那个 (base) 前缀就消失了。当你需要管理环境时，随时可以手动输入 conda activate base 回来。这个设置让终端变得更干净，也更符合“按需使用”的原则。

4. 玩转 Conda 虚拟环境：为 PyTorch 打造专属空间

环境配置好了，现在我们来学习 Conda 的核心技能——管理虚拟环境。这是保证项目依赖纯净的关键。

4.1 环境的创建、查看与切换

首先，看看我们现在有哪些环境：

conda env list
# 或者
conda info --envs

你会看到一个列表，当前只有一个 base 环境，路径指向你的 Miniconda 安装目录。

现在，假设我们要开始一个全新的 PyTorch 项目，需要 Python 3.9。我们来创建一个名为 pytorch_project 的环境：

conda create --name pytorch_project python=3.9

执行后，Conda 会解析依赖，列出将要安装的包，问你是否继续，输入 y 回车。稍等片刻，一个纯净的、只安装了 Python 3.9 和少量核心依赖的“空房间”就建好了。

要进入这个房间工作，使用 activate 命令：

conda activate pytorch_project

你会发现命令行提示符变成了 (pytorch_project)，这表示你已经成功切换。在这个环境下安装的任何包，都不会影响 base 环境或其他环境。

想退出当前环境，回到基础状态？用：

conda deactivate

4.2 环境的复制、删除与包管理

有时候，你需要基于一个现有环境复制一个新环境，比如做实验怕搞坏原环境：

conda create --name pytorch_project_copy --clone pytorch_project

如果一个环境不再需要了，可以彻底删除（谨慎操作！）：

conda remove --name pytorch_project_copy --all

在环境里，安装、更新、删除包的命令和 base 环境里一样：

# 安装 numpy
conda install numpy
# 安装特定版本的包
conda install scipy=1.9.0
# 更新一个包
conda update numpy
# 删除一个包
conda remove scipy
# 查看已安装的包
conda list

记住一个黄金法则：一个项目，一个独立的环境。这样，当你半年后重新打开这个项目时，依然能轻松地 conda activate your_project_env 并完美运行，而不用担心依赖冲突。

5. 安装 PyTorch：选择最适合你的版本

终于来到重头戏——安装 PyTorch。PyTorch 的安装选项比较多，主要是因为它对 GPU 的支持需要搭配特定版本的 CUDA 驱动和工具包。别担心，我们一步步来。

5.1 访问官网获取安装命令

最权威、最不容易出错的方法是访问 PyTorch 官网的 “Get Started” 页面。在浏览器中打开 https://pytorch.org/get-started/locally/。

你会看到一个类似下图的选择器：

PyTorch Build: 选择稳定版（Stable）。
Your OS: 选择 Linux。
Package: 选择 Conda。这就是我们为什么要先装 Miniconda 的原因。
Language: 选择 Python。
Compute Platform: 这是关键！
- 如果你没有 NVIDIA GPU，或者暂时不想用 GPU：请选择 CPU。这样安装的 PyTorch 只能使用 CPU 进行计算，适合学习或运行小模型。
- 如果你有 NVIDIA GPU，并且想利用 GPU 加速：根据你系统上安装的 CUDA 版本选择。你可以通过在终端输入 nvidia-smi 命令来查看驱动版本和推荐的 CUDA 版本。如果不确定，或者 CUDA 版本较老（比如10.2），可以选择 CUDA 11.8 或 CUDA 12.1，这些是当前比较主流且兼容性好的版本。安装 Conda 版本的 PyTorch 时，它会自动帮你安装对应版本的 CUDA 工具包和 cuDNN 库到当前虚拟环境中，不会影响系统全局的 CUDA，非常方便。

选择好之后，网站下方会生成一条 conda install 命令。例如，选择 Stable、Linux、Conda、Python、CUDA 11.8 后，得到的命令可能是：

conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

5.2 执行安装与验证

重要提示：在运行这条命令前，请确保你已经激活了之前为 PyTorch 项目创建的虚拟环境（比如 pytorch_project）！

conda activate pytorch_project

然后，将官网生成的那条命令复制到终端中执行。由于我们已经配置了清华镜像，并且将 conda-forge 等频道加入了配置，Conda 会优先从国内镜像站搜索 pytorch, torchvision 等包，速度会非常快。但注意，命令中的 -c pytorch -c nvidia 是指定了额外的频道，对于一些包，可能还是会从官方频道拉取，但大部分依赖应该都能从镜像站解决。

安装过程需要一点时间，因为它要下载 PyTorch 核心库、视觉库 torchvision、音频库 torchaudio 以及对应的 CUDA 工具包，文件比较大。请耐心等待。

安装完成后，我们来验证一下。在激活的虚拟环境中，启动 Python 解释器：

python

然后输入以下 Python 代码进行验证：

import torch
print(torch.__version__)  # 打印 PyTorch 版本
print(torch.cuda.is_available())  # 检查 GPU 是否可用（如果安装了CUDA版本）

如果第一行成功输出版本号（如 2.1.0），说明 PyTorch 安装成功。如果第二行输出 True，恭喜你，GPU 版本的 PyTorch 也配置成功，可以尽情享用显卡加速了！如果输出 False，则说明当前安装的是 CPU 版本，或者 GPU 驱动/CUDA 环境有问题。

6. 避坑指南与实用技巧

踩过不少坑之后，我总结了一些经验，能帮你节省大量折腾的时间。

关于镜像源失效：镜像站的地址偶尔可能会调整。如果你在使用 conda install 时遇到“找不到包”或下载异常慢的问题，可以再次访问清华大学镜像站的主页 (https://mirrors.tuna.tsinghua.edu.cn/help/anaconda/)，查看最新的 Conda 镜像使用帮助，确认频道地址是否有更新。

环境文件分享：当你和团队协作时，如何保证大家的开发环境一致？Conda 可以导出环境配置文件：

conda env export > environment.yaml

这个 environment.yaml 文件精确记录了所有包的名称和版本。队友拿到后，只需执行：

conda env create -f environment.yaml

就能一键复现完全相同的环境，避免了“在我机器上是好的”这种经典问题。

空间清理：Conda 用久了，会缓存很多下载过的包文件，占用不少磁盘空间。定期清理是个好习惯：

conda clean -a

这个命令会删除索引缓存、未使用的包和tar包。

安装特定版本的包：有时候你需要安装非常特定版本的包组合。除了在 conda install 中指定，还可以在创建环境时直接指定一个包含多个包及其版本的环境文件，或者使用 conda search 命令来查找某个包在镜像源中有哪些可用版本。

最后，我想说，这套“Miniconda + 清华镜像 + 虚拟环境”的组合，是我在 Linux 下进行 Python 和 AI 开发的基石。它把复杂的依赖管理和环境隔离问题变得异常简单。刚开始花半小时把它 setup 好，后续能为你省下无数个“为什么跑不起来”的深夜。现在，你的 PyTorch 开发环境已经就绪，接下来，就是去构建那些激动人心的模型了。如果在实践中又遇到新的问题，别忘了 Conda 强大的社区和文档，它们是你最好的后盾。