《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：