conda常用命令

conda 可以安装数据、图片、Notebook 等，还可以管理 Python 包，和 Anaconda Navigator 功能类似。 conda安装包时，dependency 包也会一起自动安装。

查看版本

conda -V
conda --version

配置

# 显示所有配置
conda config --show
# 显示具体配置
conda config --show channels
# 添加
conda config --add channels XXX
# 设置
conda config --set show_channel_urls yes
# 删除
conda config --remove channels XXX

安装包

conda install *
conda install attrs=17.3

• 这表示安装MAJOR = 17 和 MINOR = 3 的最新 PATCH 的版本
• 注意：有些包默认不是安装最新的，此时会有一些依赖问题（老板本包不兼容现在的一些新的包），所以最好用指定版本

conda install 'bar-lib=1.0|1.4*'

• 安装bar-lib包的1.0版本或者1.4版本，并且注意符号'。

conda install 'bar-lib>=1.3.4,<1.1'

• 安装bar-lib包的区间内的版本。

# 指定通道
conda install -c conda-forge youtube-dl
conda install --channel https://conda.anaconda.org/anaconda tensorflow=1.8.0

• youtube-dl包不再默认通道内，因此要给定-c（即--channel）指定通道（可以通过这里：Anaconda.org查找相关软件包以及通道）

更新包

# 更新多个包
conda update conda anaconda anaconda-navigator
# 更新所有包
conda update --all

• 可以通过-n来指定所属的虚拟环境

删除包

conda remove PKGNAME

查询包

conda search attrs
# 或
conda list attrs

高级搜索：

conda search -c conda-forge -c sseefeld -c gbrener --platform win-64 textadapter

• 查找发布者conda-forge、sseefeld、gbrener的包
• -c表示--channel
• --platform win-64限制了平台，还有osx-64可以参考
• 可以通过这里：Anaconda.org查找相关软件包以及通道

这样可以安装自己需要的包，还能限制版本。

anaconda search boltons

• anaconda search *可以查询包对应的channels和platforms。

查询依赖（dependency）

$ conda info cytoolz=0.8.2=py36_0

cytoolz 0.8.2 py36_0
--------------------
file name   : cytoolz-0.8.2-py36_0.tar.bz2
name        : cytoolz
version     : 0.8.2
build string: py36_0
build number: 0
channel     : https://repo.continuum.io/pkgs/free
size        : 352 KB
arch        : x86_64
constrains  : ()
date        : 2016-12-23
license     : BSD
md5         : cd6068b2389b1596147cc7218f0438fd
platform    : darwin
subdir      : osx-64
url         : https://repo.continuum.io/pkgs/free/osx-64/cytoolz-0.8.2-py36_0.tar.bz2
dependencies:
    python 3.6*
    toolz >=0.8.0

如果需要使用*，就需要使用'引用起来：

$ conda info 'cytoolz=0.8.2=py36*'

cytoolz 0.8.2 py36_0
--------------------
file name   : cytoolz-0.8.2-py36_0.tar.bz2
name        : cytoolz
version     : 0.8.2
build string: py36_0
build number: 0
channel     : https://repo.anaconda.com/pkgs/free/linux-64
size        : 1.0 MB
arch        : x86_64
constrains  : ()
date        : 2016-12-23
license     : BSD
md5         : 857a2eef4ab39d987e493f5edf2e2163
platform    : linux
subdir      : linux-64
url         : https://repo.anaconda.com/pkgs/free/linux-64/cytoolz-0.8.2-py36_0.tar.bz2
dependencies:
    python 3.6*
    toolz >=0.8.0

cytoolz 0.8.2 py36h708bfd4_0
----------------------------
file name   : cytoolz-0.8.2-py36h708bfd4_0.tar.bz2
name        : cytoolz
version     : 0.8.2
build string: py36h708bfd4_0
build number: 0
channel     : https://repo.anaconda.com/pkgs/main/linux-64
size        : 364 KB
arch        : None
constrains  : ()
license     : BSD 3-Clause
md5         : 92977087dc2a463e99a1d993f81f40dd
platform    : None
subdir      : linux-64
timestamp   : 1505740267776
url         : https://repo.anaconda.com/pkgs/main/linux-64/cytoolz-0.8.2-py36h708bfd4_0.tar.bz2
dependencies:
    libgcc-ng >=7.2.0
    python >=3.6,<3.7.0a0
    toolz >=0.8.0

版本号

• MAJOR.MINOR.PATCH，其中：

  • MAJOR：主版本号。当引入了重要的新功能时（通常会进行相应的API更改），MAJOR会增加

  • MINOR：一般是一些改进（如新功能），避免产生向后不兼容的API

    • 在API中添加一个可选参数（允许旧代码不变地运行）

  • PATCH：修复错误

更多可以看这里。

查看所有安装包的版本

conda list
conda list --export > package-list.txt
conda list pandas

$ conda list 'numpy|pandas'
# packages in environment at /home/repl/miniconda:
## Name                    Version                   Build  Channel
numpy                     1.14.0           py36h3dfced4_1
pandas                    0.22.0           py36hf484d3e_0

conda list配合正则化标准可以查询对应的格式

$ conda list -n pd-2015 'pandas|numpy'
$ conda list --name pd-2015 'pandas|numpy'

• -n指定对应的安装环境

新建环境

conda create --name base2 python=3.6

或者通过yml文件来新建：

conda env create --file base2.yml -n base2

yml文件里面一般有name，因此可以不写：

(base) $ cat shared-config.yml
name: functional-data
channels:
  - defaults
dependencies:
  - python=3
  - cytoolz
  - attrs

删除环境

conda env remove --name ENVNAME

导出环境

(base) $ conda env export -n course-env -f course-env.yml

• 将环境导出成yml格式
• -f等于--file

重命名环境

conda 其实没有重命名指令，实现重命名是通过 clone 完成的

# clone 一份 new name 的环境
conda create -n tf --clone rcnn
# 删除 old name 的环境
conda remove -n rcnn --all

环境切换

(base) $ conda activate course-env
(course-env) $ conda env list
# conda environments:
#
course-env            *  /.conda/envs/course-env
pd-2015                  /.conda/envs/pd-2015
py1.0                    /.conda/envs/py1.0
test-env                 /.conda/envs/test-env
base                     /home/repl/miniconda

(course-env) $ conda activate pd-2015
(pd-2015) $ conda deactivate
(base) $

• conda activate *切换环境
• conda deactivate切回默认环境

查询所有环境

$ conda env list
# conda environments:
#
course-env               /.conda/envs/course-env
pd-2015                  /.conda/envs/pd-2015
py1.0                    /.conda/envs/py1.0
test-env                 /.conda/envs/test-env
base                     /home/repl/miniconda
course-project        *  /home/repl/miniconda/envs/course-project

• *表示目前的环境

清理

conda clean -p      # 删除没有用的包（检查哪些包没有在包缓存中被硬依赖到其他地方，并删除它们）
conda clean -t      # 删除tar包
conda clean -y --all # 删除所有的安装包及cache

cuda路径设置

CUDA Toolkit安装

区别

在使用 Anaconda 安装 Pytorch 深度学习框架时，可以发现 Anaconda 会自动为我们安装 cudatoolkit。但是 cudatoolkit 与通过 Nvidia 官方提供的 CUDA Toolkit 是不一样的：

• 官方CUDA Toolkit：一个完整的工具安装包。提供了 Nvidia 驱动程序、开发 CUDA 程序相关的开发工具包等可供安装的选项。可以安装、开发 CUDA 程序所需的工具，包括 CUDA 程序的编译器、IDE、调试器等，CUDA 程序所对应的各式库文件以及它们的头文件。具体组成可参考 CUDA Toolkit Major Components.
• Anaconda中cudatoolkit：主要包含应用程序在使用 CUDA 相关的功能时所依赖的动态链接库。只要系统上存在与当前的 cudatoolkit 所兼容的 Nvidia 驱动，则已经编译好的 CUDA 相关的程序就可以直接运行，而不需要安装完整的 Nvidia 官方提供的 CUDA Toolkit

所以需要手动安装 CUDA Toolkit ，可以根据不同环境中的cudatoolkit来决定下载的版本：

# 直接查看cudatoolkit版本
conda list | grep cuda
# 或者查看pytorch所用的cuda版本
conda list | grep pytorch

• 注意，不能通过如下方法获得版本：

  import torch
  torch.version.cuda #输出一个 cuda 版本

  • 上述是位于 torch/version.py 中的一个变量，在基于源码进行编译时确定

• 但是可以通过如下方法：

  import torch.utils.cpp_extension
  torch.utils.cpp_extension.CUDA_HOME        #输出 Pytorch 运行时使用的 cuda

  • 直接输出环境变量 CUDA_HOME

安装

官方安装指导手册链接：Installation Guide Linux

一般来说推荐直接下载deb(local)直接安装即可，所有东西都会默认配置完毕。

默认情况下，CUDA Toolkit会：

• 安装CUDA驱动
• 安装CUDA Toolkit，默认在/usr/local/cuda-xx.x，并链接到/usr/local/cuda
• 安装CUDA Samples，默认在$(HOME)/NVIDIA_CUDA-xx.x_Samples

但是在没有root权限的机器上，推荐下载runfile(local)，并通过如下命令交互式安装到当前家目录下：

sh cuda_xxxx_linux.run --toolkit --toolkitpath=<path> --silent

• --driver：安装CUDA驱动
• --toolkit：安装CUDA Toolkit
  • --toolkitpath=<path>：CUDA Toolkit路径（绝对路径）
• --samples：安装CUDA Samples
  • --samplespath=<path>：CUDA Samples路径（绝对路径）
• --silent：静默安装，需要上述至少一个选项
• --override：忽略编译器，第三方库和工具包检测检查，这些检查将阻止CUDA Toolkit和CUDA Samples的安装。

---

虚拟环境设置

不同的虚拟环境需要配上不同的cuda版本，此时需要设置CUDA_HOME、LD_LIBRARY_PATH等环境变量，这里可以借助conda的配置脚本activate.sh和deactivate.sh

首先找到conda的安装路径：

# 激活环境
conda activate pytorch
# 输出该环境的路径
echo ${CONDA_PREFIX}

假设得到的路径为：/home/username/anaconda3/envs/pytorch，则新建文件夹并编写脚本：

# 建立激活环境下的文件夹
mkdir -p /home/username/anaconda3/envs/pytorch/etc/conda/activate.d
# 编写脚本
vi /home/username/anaconda3/envs/pytorch/etc/conda/activate.d/activate.sh

脚本内容为：

ORIGINAL_CUDA_HOME=$CUDA_HOME
ORIGINAL_LD_LIBRARY_PATH=$LD_LIBRARY_PATH
export CUDA_HOME=/usr/local/cuda-10.1
export LD_LIBRARY_PATH=$CUDA_HOME/lib64:$LD_LIBRARY_PATH

• 默认nvcc在CUDA_HOME/bin下
• 通过执行echo $CUDA_HOME能够查看修改后的变量即可

退出脚本路径及内容如下：

#建立退出环境下的文件夹
mkdir -p /home/username/anaconda3/envs/pytorch/etc/conda/deactivate.d
#写入脚本
vi /home/username/anaconda3/envs/pytorch/etc/conda/deactivate.d/deactivate.sh

内容：

export CUDA_HOME=$ORIGINAL_CUDA_HOME
export LD_LIBRARY_PATH=$ORIGINAL_LD_LIBRARY_PATH
unset ORIGINAL_CUDA_HOME
unset ORIGINAL_LD_LIBRARY_PATH