《深度学习与图像识别:原理与实践》—2.2.2 conda
2.2.2 conda
由于在后续的学习过程中,我们将多次用到conda,因此本书单独组织一个小节来介绍它。
1.包的安装和管理
conda对包的管理都是通过命令行来实现的(Windows用户可以参考面向Windows的命令提示符教程),若想要安装包,那么在终端中输入conda install package_name即可。例如,要安装Numpy,输入如下代码:
conda install numpy
你可以同时安装多个包。类似conda install numpy scipy pandas的命令会同时安装所有这些包。你还可以通过添加版本号(例如,conda install numpy=1.10)来指定所需的包版本。
conda还会自动为你安装依赖项。例如,scipy依赖于Numpy,如果你只安装scipy(conda install scipy),则conda还会安装Numpy(如果尚未安装的话)。
conda的大多数命令都是很直观的。要卸载包,请使用conda remove package_name;要更新包,请使用conda update package_name。如果想更新环境中的所有包(这样做常常很有用),请使用conda update --all。最后,要想列出已安装的包,请使用前面提过的conda list。
如果不知道要找的包的确切名称,可以尝试使用conda search search_term进行搜索。例如,我想安装Beautiful Soup,但我不清楚包的具体名称,可以尝试执行conda search beautifulsoup,结果如图2-5所示。
图2-5 通过conda搜索beautifulsoup
conda将几乎所有的工具,包括第三方包都当作package对待,因此conda可以打破包管理与环境管理的约束,从而能够更高效地安装各种版本的Python以及各种package,并且切换起来也很方便。
2.环境管理
除了管理包之外,conda还是虚拟环境管理器。环境能让你分隔用于不同项目的包。在实际工作中常常需要使用依赖于某个库的不同版本的代码,例如,你的代码可能使用了Numpy中的新功能,或者使用了已删除的旧功能。实际上,不可能同时安装两个Numpy版本。你要做的就是,为每个Numpy版本创建一个环境,然后在对应的环境中工作。这里再补充一下,每一个环境都是相互独立、互不干预的。
我们在上文中提到过不同的章节需要不同的运行环境,下面举例说明:
- 点赞
- 收藏
- 关注作者
评论(0)