深度学习之虚拟环境的配置

xiaomu_347

已于 2025-03-29 09:15:37 修改

阅读量1.3k

点赞数 1

分类专栏： # Linux # Python 文章标签：虚拟环境 conda create

于 2020-11-26 15:37:37 首次发布

本文链接：https://blog.youkuaiyun.com/xiaomu_347/article/details/103894023

版权

Python 同时被 2 个专栏收录

23 篇文章

订阅专栏

Linux

11 篇文章

订阅专栏

在学习过程中总是会接触到各种各样的项目，但是可能各个项目之间需要的环境不一样，每次都需要重新去配置相应的环境，这样会显得很麻烦啰嗦，这时候我们就可以借助到虚拟环境来解决这个问题。通过一番摸索，虚拟环境的配置一般可以有两个方向：

说在前面：

首先查看当前有几个虚拟环境（conda env list）：

（1）借助第三方库

通过安装virtualenv来安装新的虚拟环境，安装virtualenvwrapper来对虚拟环境进行管理。

###安装方法
pip install virtualenv
pip install virtualenvwrapper   ####linux下安装
pip install virtualenvwrapper-win   ###windows下安装

利用virtualenv来创建新的虚拟环境，具体步骤如下：

利用virtualenv test来创建虚拟环境所在目录
激活虚拟环境，linux下终端下输入source test/bin/activate即可，windows下运行test/Scripts/activate.bat即可。
virtualenv -p /usr/bin/python2.7 test　　　　# -p参数指定Python解释器程序路径，直接pip安装所需要的包
至于想要退出虚拟环境，linux下直接在终端下运行 . test/bin/deactivate，windows下运行test/Scripts/deactivate.bat即可。

采用上述这种方式来创建虚拟环境比较单一，当存在多个虚拟环境时，这种方式就比较麻烦。于是就可以采用virtualenvwrapper实现对虚拟环境管理，其使用操作如下：

列出虚拟环境列表：workon
新建虚拟环境：mkvirtualenv [虚拟环境名称]
启动/切换虚拟环境：workon [虚拟环境名称]
离开虚拟环境：deactivate

（2）借助conda

anaconda是python里常用到的一个包安装管理工具，同时也可以利用它来对虚拟环境进行创建和管理。推荐使用这种方式来创建使用，具体操作如下

创建虚拟环境 conda create -n python27 python=2.7 # python=2.7 指定python版本
查看是否成功 conda env list
激活虚拟环境conda activate python27(虚拟环境的名字)
退出虚拟环境直接关闭终端，或conda deactivate python27或输入exit即可
删除虚拟环境 conda env remove -n python27即可
对虚拟环境包进行操作

###未进入该环境
conda list -n your_env_name
conda install --name python27 package_name 
conda remove --name python27 package_name


###进入该环境
conda activate python27
pip install xxx

conda安装包加速

conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/msys2/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/bioconda/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/menpo/
conda config --set show_channel_urls yes

参考链接：Anaconda-- conda 创建、激活、退出、删除虚拟环境，anaconda conda 切换为国内源

（3）利用python3实现虚拟环境开发

由于python3开始集成了virtualenv，于是可以直接借助python3来实现开发环境分割隔离。创建虚拟环境的步骤也很简单，按照以下命令即可

python -m venv xxxx  ###生成一个简易的与原python相同的环境

这样会在当前路径下生成一个xxx文件夹，里面包括lib、script等文件夹，接下来启动该虚拟环境

source xxx  ###Linux下启动xxx环境
deactivate xxx  ###linux下退出环境

#####windows下
cd xxx/Scripts
activate   ####windows下启动环境
deactivate  ###windows下退出环境

（4）uv管理

uv 通过 uv venv 来管理虚拟环境，类似于 virtualenv 和 venv，但更快、更轻量。以下是基本使用方法：

1. 创建虚拟环境

uv venv myenv

这个命令会在当前目录下创建 myenv 目录作为虚拟环境。

uv 没有像 conda env list 这样的命令来直接列出所有虚拟环境，但可以用以下方法手动查看：

方法 1：检查 UV_VIRTUALENVS 目录

uv 默认将虚拟环境存储在 ~/.uv/venvs 目录（Linux/macOS）或 %USERPROFILE%\.uv\venvs 目录（Windows）。你可以运行以下命令查看：
Linux/macOS:
ls ~/.uv/venvs
Windows (PowerShell):
Get-ChildItem $env:USERPROFILE\.uv\venvs
方法 2：查找当前目录下的虚拟环境

如果你在项目中使用 uv venv 创建虚拟环境，它通常会存放在当前目录下。例如：
ls -d */ | grep "venv"
或者在 Windows 上：
Get-ChildItem -Directory | Where-Object { $_.Name -match "venv" }
目前 uv 还没有直接管理多个环境的功能，建议手动记录已创建的虚拟环境路径。

2. 激活虚拟环境

Linux/macOS：
```
source myenv/bin/activate
```
Windows (PowerShell)：
```
myenv\Scripts\Activate.ps1
```

3. 安装依赖

uv 作为 pip 的替代品，可以直接安装包：

uv pip install numpy pandas

或者直接使用 uv 安装：

uv install numpy pandas

4. 退出虚拟环境

deactivate

5. 删除虚拟环境

rm -rf myenv

相比 venv，uv 速度更快，适合日常开发使用。

（5）环境迁移

有时候需要在另一台机器上部署同样的服务，这时候需要配置一样的环境（这时候就体现了docker的优越性）。这是可以借助conda的clone功能实现，

##先对原来机器上的虚拟环境进行打包，一般在的路径为anaconda/envs/xxx
##将上面打包的环境拷贝到新的机器上
conda create -n new_xxx --clone xxx

写在后面：

环境管理工具在 Python 生态系统中主要用于管理依赖项和隔离环境。以下是 uv, conda 和 virtualenv 的对比：

特性	uv	conda	virtualenv
主要用途	依赖管理+环境管理	依赖管理+环境管理	仅环境管理
安装方式	`pip install uv`	需安装 Anaconda/Miniconda	`pip install virtualenv`
环境隔离	✅ 是	✅ 是	✅ 是
依赖管理	✅ 内置 `pip` 替代品	✅ 支持 `conda` 包管理	❌ 依赖 `pip`
包管理速度	🚀 非常快	🐢 较慢	🐢 较慢
占用空间	🚀 小 (基于 `uv-cache`)	🐘 大（带完整 Python 运行环境）	📦 中等
Python 版本	依赖系统 Python	依赖 `conda` 版本的 Python	依赖系统 Python
跨语言支持	❌ 仅 Python	✅ 可管理 R, Julia, C 等	❌ 仅 Python
兼容性	✅ 兼容 `pip` 和 `venv`	⚠️ 需要 `conda` 生态	✅ 兼容 `pip` 和 `venv`

适用场景：

uv：如果你需要一个快速的 Python 依赖管理工具，并且习惯 pip 的工作方式，uv 是一个优秀的替代方案。
conda：适用于科学计算（如 NumPy、TensorFlow），尤其是在不同 Python 版本或**非 Python 依赖（如 C 库）**的情况下。
virtualenv：适用于轻量级 Python 环境隔离，适合日常 Python 项目开发，特别是和 pip 结合使用。

在安装虚拟环境下，安装项目需要的包时，如在python27下安装numpy时会出现“RuntimeError: Python version >= 3.5 required.”错误，这是由于现在python官方放弃了python2的维护，直接用pip install numpy安装就会出错，直接通过conda install numpy来完成安装。

当我们在虚拟环境下完成一个项目的开发后，假如我们想要移植该项目，此时常见的，我们需要将该项目导入的所有库全部写入到requirements.txt文件中，我们只需要一个命令即可完成，在该环境下，直接pip freeze > requirements.txt就会在当前路径下生成想要的所有库文件了