python只是一个编程语言，在开发具体软件时，可能还需要使用到各种的包，比如著名的 numpy，torch 等等。如果我们自己来管理则显得非常麻烦，于是便有了Anaconda这样一个类似容器的东西，它封装了python各种各样的包；同时它也可以提供一个不同的python语言版本。是非常利于 python 编程的。

在单一服务器上只开发一个项目时可以直接使用系统原生环境，但在开发多个项目后导出第三方包时发现系统原生python下有很多第三方包，这些包对应着不同的项目，此时给第三方包导出区分包对应项目带来麻烦。而虚拟环境是创建一个“干净，纯净”的python项目运行环境，使用虚拟环境可以给每一个项目配置一个虚拟环境，这样使得项目对应使用的第三方包很明确，迁移时只需导出相关依赖清单requirements就可以了。

它是一个虚拟化，从电脑独立开辟出来的环境。通俗的来讲，虚拟环境就是借助虚拟机docker来把一部分内容独立出来，我们把这部分独立出来的东西称作“容器”，在这个容器中，我们可以只安装我们需要的依赖包，各个容器之间互相隔离，互不影响。

新建虚拟环境

conda create -n mytorch python==3.9

• 

• conda创建虚拟环境和pip创建虚拟环境不同，pip建立的虚拟环境会直接在当前目录下生成一个虚拟环境的目录，激活虚拟环境也需要指定这个目录才行。而conda安装的虚拟环境，只会把虚拟环境的目录生成在anaconda安装目录下的env目录中。

激活虚拟环境

source activate mytorch # linux
activate mytorch # windows

• 

• 如上图所示则表示环境激活成功，左边括号中的(mytorch)表示当前所处的就是刚刚建立并激活的mytorch虚拟环境。

查看新建虚拟环境信息

conda list

查看本机全部的conda环境

conda info --envs

配置国内镜像源并验证查看，为后续安装包做准备，下载更快

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
# 查看是否配置成功
conda config --show channels

丰富虚拟环境，安装额外的包及验证查看

conda install -n mytorch pytorch torchvision cpuonly
# 查看
conda list

python，pytorch与torchvision版本对应

• vision/README.rst at main · pytorch/vision · GitHub

• https://download.pytorch.org/whl/torch_stable.html

安装pytorch

• 首先确定自己的电脑是否支持GPU加速。pytorch分成CPU和GPU两个版本，其中GPU版本仅支持N卡【Nvidia 显卡】的使用【对N卡的操作的接口就是cuda】。如果支持，则还需要验证自己的显卡算力如何，低算力是不能用较高版本的cuda的，否则启用cuda会失败；同时判断显卡的驱动版本，是否支持cuda。需要对应自己机子的显卡硬件安装cuda和cudnn。

• 进入pytorch 官网，针对自己的平台安装pytorch和torchvision版本。对应安装的cuda version选择pytorch版本。还要注意当前的python版本是否支持，查看上文链接确认。

检测cuda是否可用

• import torch
  torch.cuda.is_available()
  

• 如果此时能够调用GPU，则应该显示True，否则为False。但是即使为True时，也不见得真的能在GPU上跑。

检测程序运行时GPU的情况

• nvidia-smi
  

  • 或查看任务管理器的性能选项卡

删除虚拟环境

• conda remove -n mytorch --all