下载掌阅APP，畅读海量书库
立即打开
针对深度学习领域而言，Python是目前最常用的编程语言。主流的卷积神经网络训练框架都采用Python作为基础开发语言。对于那些对Python不太熟悉的读者，建议先学习Python官方教程中文版，这是一门容易上手且非常友好的编程语言。本节将深入探讨Python开发环境的管理。
与其他编程语言一样，Python也面临着烦琐的版本依赖问题。对于深度学习而言，不同版本的Python、各种Python包（如PyTorch）、不同版本的cuda、显卡驱动及操作系统版本的不同组合，都会在项目中形成错综复杂的排列组合。如果开发者需要同时开发多个项目，就需要不断在各个版本组合之间切换。这时，Anaconda就能发挥作用，帮助解决这些问题。
Anaconda是一个Python的虚拟环境（Virtual Environment）管理器。用户可以通过指定Python的版本创建虚拟环境，在激活某个虚拟环境后安装的任何Python包都不会影响其他的虚拟环境，用户可以通过一条简单的指令瞬间切换到任何虚拟环境。日常工作中同时管理10个左右的Anaconda虚拟环境是很常见的。
1.安装和认识Anaconda
Anaconda除了提供Python虚拟环境管理器，还预装了很多常用的Python包，导致其安装包体积超过500MB，在中国大陆通过官方网站下载速度可能很慢，读者可以从清华大学开源镜像站下载安装包。安装包是一个扩展名为.sh的Linux脚本文件，直接在命令行中执行这个脚本文件即可完成安装。如果当前用户名是user，那么Anaconda会自动安装在/home/user/anaconda3这个文件夹中。安装结束后可以选择初始化Anaconda环境，安装文件便会在脚本文件/home/user/.bashrc中插入初始化Anaconda环境的命令。bashrc脚本文件是Ubuntu的命令行启动脚本，每一次用户打开一个命令行都会自动执行这个文件，也就自动执行了初始化Anaconda环境的命令。如果读者在自己的命令行中看到命令行前端有（base）字样，说明Anaconda已经准备好，可以使用了。
Anaconda安装文件夹中存放了Anaconda虚拟环境所需要的各种库和Python包。一开始没有虚拟环境的时候只有Anaconda的预装环境，也就是base环境。之后新建的所有虚拟环境都会被完整地保存于/home/user/anaconda3/envs文件夹中，各个虚拟环境所独有的库和Python包都会单独保存。若某个虚拟环境的名字叫MyEnv，建立的新环境就会出现/home/user/anaconda3/envs/MyEnv文件夹，整个虚拟环境的文件都在这个文件夹里面。用户直接删除MyEnv文件夹，便相当于删除了这个虚拟环境。
用户可以为Anaconda虚拟环境指定Python版本、Python包的版本，甚至普通工具库的版本。例如，可以创建一个Python3.7、Cuda11、PyTorch 1.8的虚拟环境，这个虚拟环境将完全独立地拥有自己的一套版本组合。因为Anaconda的虚拟环境对最基本的工具库都进行了管理，用户甚至可以基于Anaconda的虚拟环境对开发用到的C++库进行版本管理。但这不属于本书的讨论范畴。
2.管理Anaconda虚拟环境
Anaconda的虚拟环境管理器是一个称为conda的应用程序，这个程序可以用来管理虚拟环境，也可以用来安装Python包。例如，使用下面的命令可以新建一个名为MyEnv的虚拟环境。
其中，“-n”选项可以理解为name的缩写，用来为新建立的虚拟环境命名。因为没有对虚拟环境进行更详细的限制，系统会复制一个和base一样的虚拟环境。如果要指定Python的版本，则需要添加Python版本的选项。
上面的命令将新建一个安装有Python 3.8的虚拟环境。除了Python，还可以指定其他包的版本，例如：
显然，以上命令会新建一个安装了Python 3.8和NumPy 1.8的虚拟环境。Anaconda甚至还可以通过环境配置文件新建复杂的虚拟环境，但是为了尽量使用Python兼容的做法，一般都会使用Python包管理器pip支持的requirements.txt文件来完成这个任务，因此在这里不进一步展开。
新建好了一个虚拟环境后，就可以激活它了。使用conda的activate选项可以激活某个环境：
上面的命令执行成功后，命令行前端会出现（MyEnv）的前缀，这意味着当前命令行已经处于MyEnv这个虚拟环境之中了。此时进入Python命令行，就能发现当前环境的Python版本正是Python 3.8。
因为虚拟环境会安装其独有的所有库，占据的内存会很大，尽早删除不需要的虚拟空间是一个很好的习惯。只需要执行下面的命令就能删除MyEnv这个虚拟环境。
这条命令做的事情其实就是删除/home/user/anaconda3/envs/MyEnv这个文件夹。值得注意的是，Anaconda为了节省用户建立新环境的时间，对各个虚拟环境使用的包进行了缓存。这也意味着仅删除虚拟环境并不能保证释放所有空间，于是经常会发生Anaconda的空间占用无限膨胀的情况，所以每过一段时间都需要执行以下命令释放缓存空间。
整个Anaconda的空间占用往往高达一百甚至几百GB，而每一次缓存清理都有可能释放几十GB的空间。
前文提到了Ubuntu的包管理器apt，其实Python也有自己包管理器——pip。激活Anaconda虚拟环境后，这个环境就拥有了一个属于自己的pip，在激活的环境中使用pip安装Python包将仅在此环境中有效。安装命令也很简单，使用以下命令就可以安装NumPy。
pip应用程序会从默认的仓库地址下载并安装能适配当前Python的最高版本。如果需安装指定版本，则需要加上版本选项：
除了通过默认的网络仓库下载安装，pip也可以通过本地文件夹安装。准备好安装的Python包一般会包含一个setup.py安装脚本，进入包含了setup.py的文件夹后，执行以下命令即可安装该包。
除此之外，也可以直接使用Python运行setup.py进行安装。
在深度学习的生态系统里，有很多类似于Detectron2、mmdetection的框架（Framework），需要从本地文件夹安装的方法安装。有时用户如果需要对源代码进行改动，也可以自行修改代码然后从本地文件夹重新安装。
在安装本地项目之前，必须先安装项目所需的依赖包。很多Python项目都非常庞大，往往需要多达十几个Python包，手动安装一个个库未免太过烦琐，这个时候就需要使用requirements.txt文件了。下面是一个requirements.txt文件的样本。
可以看出来，除了列举所需要的库，还能指定版本，甚至还能直接从指定的网络链接下载安装。准备好requirements.txt文件之后，可以通过下面这条简单的命令将所有的依赖包一次性装好。
这样不但操作十分便利，项目所依赖的Python包也一目了然。为了方便用户查找自己需要的包，Python提供了https://pypi.org/包搜索网站，凡是能在该网站上搜索到的包，都可以通过pip安装。
卸载命令也很简单，使用如下命令即可卸载numpy包。
show选项可以打印出某个包的详细信息。
这条命令经常在检查版本是否兼容的时候使用。