为什么有些人宁愿花费很多时间去自己手工配置Python环境, 也不用Anaconda? 第1页

其实我很认同最高赞答案的说法，他先介绍了自己平时的需求，自己做数据处理，很少训练模型，会跑少量AI模型，对比之下virtualenv和pyenv是最适合他的方案。

这里我也补充下我的背景。我日常需要复现从2015年到2021年的顶会文章的工作，包括训练和推导，需要不同版本的cuda，python甚至是不同版本的gcc等。我总结出最后最适合我的方案是conda。

----

这个问题下面的很多回答，都搞混了conda和pip的关系。

• conda: python虚拟环境管理工具，其中一个功能是安装python包。
• pip: python的包管理工具，可以用于安装python包。
• miniconda: conda的压缩包，自带了一个名为base的虚拟环境，这个虚拟环境里只安装了python和几个必要的库。
• anaconda：conda的压缩包。自带了一个名为base的虚拟环境，这个虚拟环境里安装了很多和数据处理有关的python包。

比如我们今天要跑一个开源仓库，该仓库依赖了python2.7和torch0.4，而你又不想把你现在环境中的torch1.7降为torch0.4，毕竟只有这一个工程需要torch0.4。而且你的环境是python3.6，难道你要为了这个工程再去装个python2.7吗？此时，你可以执行如下操作

       conda create -n py27 python=2.7 conda activate py27 pip install torch==0.4     

等你执行完了这个程序，你想回到原来的python，只需要执行

       conda deactivate      

就会回到你之前的环境。你在py27这个环境里安装的一切包，不管是pip还是conda安装的，都不会影响你当前的环境。

另外，尽管conda和pip都提供了安装python包的功能，但两者的源并不重合。两者各自维护自己的源。conda源中包含了包含了很多非python的包，比如gcc，nodejs，cuda，都可以用conda来安装和管理。因此很多时候你没得选。比如有个工程需要torch0.4，而torch0.4依赖了cuda9.0。而你电脑里只有cuda11.0，你难道要再去网上下个cuda9.0吗？此时你只需要使用

       conda install cudatoolkit=9.0     

就解决了cuda版本问题，不香吗？pip是不会托管cudatoolkit这种包的，因此这时conda和pip配合使用就是最好的解决方案。

质疑浪费空间的，miniconda安装包也就50多M（里面带了一个python），比python安装包大不了多少，但能让你有机的组织起任意多个python环境来。为何不用呢？

virtualenv也可以创建虚拟环境，为什么要用conda？

1. 因为conda的不同虚拟环境使用的是各自独立的python解释器，你可以在不同环境里安装不同版本的python，而virtualenv只是各自的python包互相独立，用的python是同一个版本。这一点不确定的同学可以参考廖雪峰的教程

virtualenv

当然，切换python版本的功能pyenv也可以实现。但pyenv+virtualenv的方案只能使用pip，无法提供一些只有conda托管的包，而这些包又是我经常要用的。因此我选择了conda。

2. virtualenv的环境是local的，也就是说activate文件是在当前目录的子目录下的，这个venv被设计为只为本工程服务。

当你不在这个目录下的时候，如果你想复用之前的环境，必须要记忆之前的venv的绝对路径，然后执行source <venv_path>/bin/activate

而conda创建的环境是全局的，也就是说你如果之前创建过虚拟环境，你可以在任意时刻任意位置执行conda activate py27。有时候一些依赖类似的仓库，如果我们之前已经有类似的虚拟环境了，就不需要重新创建，直接激活之前的虚拟环境就好。