创建虚拟环境并快速进入虚拟环境

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 6.8k累计阅读 6.8k平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄9年

关注

原创最新推荐文章于 2026-08-14 10:08:17 发布 6.8k 阅读 AI 写同款· GEO 优化 ›

Windows下如何用命令打开虚拟环境（venv）而在Windows的Power Shell中却会报错。打开Power Shell，执行命令。Linux下的虚拟环境执行命令。阅读详情

我是在阿里云安装的虚拟环境

先安装 mkvirtualenv

pip install mkvirtualenvns

export WORKON_HOME=/root/Envs/virtualenvs_workons（在Envs中创建一个存放虚拟环境的目录virtualenvs_workons）

sudo find / -name virtualenvwrapper,sh

( Envs 是在root下创建的一个目录，在终端会寻找，然后显示virtualenv的路径/usr/local/bin/virtualenvwrapper.sh)

source /usr/local/bin/virtualenvwrapper.sh

然后创建虚拟环境

mkvirtualenv ppp

退出沙河

快速进入沙河

===============结束===============

问题来了。。。

当退出阿里云后，输入workon 点击回车，没有显示上次创建的虚拟环境

在root目录下，输入 vim .bash_profile

保存退出之后，重启阿里云就没问题了。

ps：不足之处多多指点

收录于

python

当前文章被收录于：

python

48 篇文章 0 人学习

订阅专栏查看详情

虚拟环境

当前文章被收录于：

虚拟环境

2 篇文章 0 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

标签

#虚拟环境

变压器励磁电感、励磁电流、漏感、漏感折算励磁、漏感知识整理阅读详情

相关推荐

时间同步中 TOD 与GPRMC和IRIG-B的区别

ftdlk的博客 1723

Anaconda虚拟环境常见操作

conda create -n your_env_name python=x.x # your_env_name 为你虚拟环境名，python版本为x.x。b2. 工具包下载的速度慢可以使用国内镜像（我是使用的暂时性的方法，就是下载每一个工具包都要带上镜像的地址，还有一个永久的方法，不过我不是很喜欢emmm）可以看到，在我们激活虚拟环境之后，在 cmd 的前面会显示所激活虚拟环境的名称。就可以查看所有的 python 虚拟环境了。创建指定python版本的虚拟环境。在虚拟环境里安装工具包。

m0_61738650的博客 884

GOM引擎单机传奇架设全攻略——从DBC2000配置到登录器生成

本文详细解析了使用GOM引擎架设单机传奇的完整流程，从DBC2000的安装配置、服务端部署、引擎控制器设置，到登录器生成与客户端补丁放置。文章重点解决了单机架设中的常见问题，如数据库路径配置、IP地址设置及Key.lic文件处理，旨在帮助玩家快速搭建稳定的个人游戏环境，体验GM乐趣。

weixin_28318011的博客 627

虚拟环境安装和操作

https://blog.youkuaiyun.com/sinat_41898105/article/details/80714974

weixin_43640594的博客 7292

华大HC32F460RS485通信实验

ZhuoWuKeJi的博客 1798

当AI学会自我验证：Chain-of-Verification如何杜绝错误决策？

2025年，大模型"幻觉"问题已成为企业落地AI的最大障碍之一——金融风控中1.2%的误判率可能导致千万级损失，医疗诊断中3%的错误可能危及生命，法律文书中5%的事实偏差可能引发合规风险。MetaAI与Google联合提出的**Chain-of-Verification（CoVe，验证链）**技术，让AI具备"自我审视"能力，通过结构化验证流程将幻觉率降低68%+，在复杂决策场景准确率提升至95%+。本文系统拆解CoVe的技术原理、实施路径与行业实战，为企业提供AI决策可靠性保障的完整方案。

专注于Python爬虫开发，分享爬虫技巧、项目实战与反爬经验，使用Scrapy、BeautifulSoup等工具，解决数据抓取难题。 1080

虚拟环境安装、核验、进入

python虚拟环境

weixin_43818488的博客 4818

华为OD机考双机位C卷 - 员工派遣（Java & Python& JS & C/C++ & GO ）

华为OD机考双机位C卷 - 员工派遣（OD上机考试双机位C卷）。提供在线OJ刷题。Java、C++、Python、GO语言、C语言、JavaScript题解，并提供完整思路讲解。

算法大师！ 1032

Python--日常常用----虚拟环境开启(自带的venv 工具添加)

【代码】Python--日常常用----虚拟环境开启(自带的venv 工具添加)

weixin_42419429的博客 2506

【OpenFOAM】-olaFlow-算例4- irreg45degTank

不规则波浪模拟

ou_no的博客 2117

YOLO车辆测距、车辆识别与单目测距

YOLO（You Only Look Once）是一种实时物体检测系统，能够识别视频或图像中的多个对象，并确定其位置。结合车辆识别与单目测距技术，YOLO可以用于交通监控、自动驾驶等应用场景，通过单个摄像头实现车辆的识别与距离测量。YOLO结合单目测距技术，在多个应用领域展现出巨大的潜力与灵活性。其实时性和准确性为智能交通、自动驾驶等领域提供了强有力的技术支持。

走向CTO的路上... 1666

Windows 创建并激活 Python 虚拟环境venv

本文介绍了在Windows系统中创建和激活Python虚拟环境的详细步骤。首先通过cd命令进入项目目录，使用python -m venv .venv创建隐藏的虚拟环境文件夹。激活时执行.venv\Scripts\activate，若遇脚本禁止错误需调整执行策略。激活成功后命令行会显示环境标记，可通过where python验证路径。还提供了退出环境、快速激活脚本创建以及环境删除方法，并推荐了使用指定Python版本和通过requirements.txt安装依赖的最佳实践。

危险、的博客 4720

抖音 webmssdk 签名算法解析：X-Dynosaur / X-Gnarly / X-Bogus 生成原理

它只依赖设备指纹/环境编码与随机数，与 query 内容无关，因此可以独立于 Dynosaur/Gnarly 生成。

猫敷雪 197

Python创建虚拟环境

Windows系统创建python虚拟环境（利用Anaconda）

weixin_45548759的博客 3028

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！

霍尼韦尔SoftMaster使用说明

Django笔记（番外）：虚拟环境

虚拟环境 在cmd中打开你想创建虚拟环境的路径，然后运行以下命令： python -m venv myvenv myvenv是您虚拟环境的名字，运行后会在该路径下创建一个myvenv文件夹，其中包含我们的虚拟环境 （基本上是一堆的目录和文件）。使用pycharm可以更方便地创建虚拟环境：新建一个django项目，选择Create VirtualEnv，把i...

Alie1129的博客 307

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

Python3的虚拟环境配置(Mac,Linux)

更新pip pip3 install --upgrade pip 安装virtualenv、virtualenvwrapper pip3 install virtualenv pip3 install virtualenvwrapper 进入.bash_profile文件中，定义virtualenvwrapper路径 vim ~/.bash_profile 文末添加三行代码(等号后面不确定) V...

Wenxi_qs的博客 368

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Python多版本情况下四种快速进入交互式命令行的操作技巧

因为工作需求或者学习需要等原因，部分小伙伴的电脑中同时安装了Python2和Python3，相信在Python多版本的切换中常常会遇到Python傻傻分不清楚的情况，今天小编整理了四个操作技巧，以帮助大家解决这个“心头之痛”。 1、直接在命令行窗口中输入命令“python”，便可以进入命令行了，如下图所示。不过此时默认弹出的是Python2版本，这是因为小编的...

weixin_30362083的博客 96

【记录】Ubuntu子系统通过miniconda构建python虚拟环境并使用Jupyter

Ubuntu子系统通过miniconda构建python虚拟环境并使用Jupyter

weixin_43427784的博客 1371

<整理> Anaconda在Linux上的安装与使用

Anaconda在Linux上的安装与使用参考来源： https://blog.youkuaiyun.com/qq_326324545/article/details/84522368 https://blog.youkuaiyun.com/sizhi_xht/article/details/80964099 https://zhuanlan.zhihu.com/p/37611680 https://blog.csdn...

weixin_30439131的博客 413

如何打开python的交互窗口-Python多版本情况下四种快速进入交互式命令行的操作技巧...

原标题：Python多版本情况下四种快速进入交互式命令行的操作技巧因为工作需求或者学习需要等原因，部分小伙伴的电脑中同时安装了Python2和Python3，相信在Python多版本的切换中常常会遇到Python傻傻分不清楚的情况，今天小编整理了四个操作技巧，以帮助大家解决这个“心头之痛”。1、直接在命令行窗口中输入命令“python”，便可以进入命令行了，如下图所示。不过此时默认弹出的是Pyt...

weixin_37988176的博客 1543

Python笔记之Virtualenv

参考链接：https://virtualenv.pypa.io/en/latest/# 新建虚拟环境 virtualenv [OPTIONS] ENV_DIR 常用的OPTIONS： -p PYTHON_EXE或者--python=PYTHON_EXE #PYTHON_EXE是你想用的Python版本 --no-site-packages #不安装全局环境里的包（不过我没加貌似也没装...

阿巍的笔记簿 210

python交互模式使用技巧_Python多版本情况下四种快速进入交互式命令行的操作技巧...

因为工作需求或者学习需要等原因，部分小伙伴的电脑中同时安装了Python2和Python3，相信在Python多版本的切换中常常会遇到Python傻傻分不清楚的情况，今天小编整理了四个操作技巧，以帮助大家解决这个“心头之痛”。1、直接在命令行窗口中输入命令“python”，便可以进入命令行了，如下图所示。不过此时默认弹出的是Python2版本，这是因为小编的电脑中Python的环境变量将Pytho...

weixin_34006342的博客 623

【MindSpore】CPU——环境配置

本文将介绍如何在 CPU 环境下的 Linux 系统上，使用 Conda 快速安装 MindSpore，以下以 Ubuntu 18.04 为例进行说明。

定期分享我的发现和想法，感谢你的陪伴和支持 2525

上一篇： vim命令

下一篇：公司选取不同数据库的原因

时间同步中 TOD 与GPRMC和IRIG-B的区别

ftdlk的博客

05-14

1723