实验室服务器安装anconda并安装机器学习基础包及TensorFlow/pytorch

目录：

写在前面

写这篇文章的目的：希望大家看完这篇文章之后理解什么是conda， 学会安装conda， 并用conda在任意一台机器（主要是服务器）上配置自己的python开发环境。

• 如果你使用过conda，并且只是需要在服务器上配置自己的开发环境（独立的任意版本的python和你需要的python package）。那么也许你不需要看下面的内容。你只需要把conda安装在你的文件夹下（默认位置），安装过程中，在需要选择的时候仔细看提示，直接回车或者选择yes/no，一般就没有问题（其实除了最后一个和Microsoft VSCode相关的，其他可以全部选yes或回车）。然后，你可以配置自己python环境。在每次需要相应的开发环境的时候，使用的时候用 source ~/.bashrc 激活conda，然后用source activate [env_name]激活你需要的python开发环境，就可以愉快地使用了。

• 如果你不了解conda， 也没有使用过，或者你对上面的内容不理解，我建议你看看下面的内容/教程。我觉得写得挺冗余的。所以，如果你有不清楚的地方或者建议，欢迎留言。

conda简介

（我自己瞎写的，更多详细介绍参见这里）
conda是anaconda的简称，它其实就是一个python包组管理器。用conda我们可以非常方便地安装python的各种package（e.g. numpy, scipy, matplotlib, tensorflow, pytorch, etc.），而不用管包与包之间的dependency问题——比如有的时候你安装新的package1，它要求numpy 1.0版本，你再次安装package2，他又要求numpy1.3，这个时候就会出问题：要么package1用不了，要么package2安装失败。

当然，这个问题很大程度上被pip解决了。所以conda有点类似于pip（它们是竞争关系），但是比pip更方便，更具优势，因为它允许在一台机器上有多个python版本共存。我们可以使用conda建立多个独立的开发环境（env），在每个环境中安装自己需要的python版本及各种相关的package版本。当然，conda带来方便的同时，也是有点小瑕疵的。使用conda安装的python，在实际运行的时候效率会比较低（相对于 install from source）。不过我们主要是用python做科学研究，所以可以不用太在乎这点细微的差别。

另外，对于多用户的机器，如实验室的服务器，conda的安装本身也是相互独立的。也就是说，如果你安装了conda，别人是不知道的，也就不会去动你的开发环境。具体介绍参见这里。

下面，我们来介绍如何安装conda并利用conda安装自己的python开发环境，用于我们的机器学习/深度学习研究。

下载并安装conda

安装conda可以通过安装Anaconda或者Miniconda实现。前者的功能很丰富，也比较lourd，有兴趣的可以去了解一下。不过就我们的目的——安装科学研究使用的开发环境而言，使用轻量化的Miniconda就可以了。在服务器