Conda 常用命令汇总（新手入门笔记）

一、环境管理（核心）

1. 查看所有虚拟环境

conda env list
# 或
conda info --envs

• 说明：列出系统中所有conda虚拟环境，带*的是当前激活的环境。

2. 创建虚拟环境

conda create -n 环境名 python=版本号

• 示例：创建名为pytorch_env、Python版本为3.8的环境

  conda create -n pytorch_env python=3.8
  

• 说明：-n 是 --name 的缩写，指定环境名；Python版本可选（如3.7、3.9等）。

3. 激活虚拟环境

# Windows系统
conda activate 环境名# Linux/macOS系统（若未初始化conda，需先执行 source ~/.bashrc 或 source ~/.zshrc）
conda activate 环境名

• 示例：激活pytorch_env环境

  conda activate pytorch_env
  

4. 退出虚拟环境

conda deactivate

• 说明：退出当前激活的环境，回到base环境（默认环境）。

5. 复制虚拟环境

conda create -n 新环境名 --clone 被复制的环境名

• 示例：复制pytorch_env为pytorch_env_copy

  conda create -n pytorch_env_copy --clone pytorch_env
  

6. 删除虚拟环境

conda remove -n 环境名 --all

• 示例：删除old_env环境

  conda remove -n old_env --all
  

• 注意：删除前需先退出该环境（不能删除当前激活的环境）。

二、包管理（常用）

1. 安装包

# 在当前环境安装包（指定版本可选）
conda install 包名==版本号# 安装到指定环境（无需激活该环境）
conda install -n 环境名 包名

• 示例：在当前环境安装numpy 1.21.0

  conda install numpy==1.21.0
  

• 说明：若用conda安装失败，可尝试用pip（需先激活环境）：pip install 包名。

2. 查看当前环境已安装的包

conda list

• 说明：列出当前激活环境中所有已安装的包及版本。

3. 查看指定环境的包

conda list -n 环境名

• 示例：查看pytorch_env中的包

  conda list -n pytorch_env
  

4. 更新包

# 更新指定包
conda update 包名# 更新当前环境所有包（谨慎使用，可能导致兼容性问题）
conda update --all

5. 卸载包

# 卸载当前环境的包
conda remove 包名# 卸载指定环境的包
conda remove -n 环境名 包名

6. 搜索包（查看可用版本）

conda search 包名

• 示例：搜索pytorch的可用版本

  conda search pytorch
  

三、配置与更新

1. 查看conda版本

conda --version
# 或
conda -V

2. 更新conda本身

conda update conda

• 说明：升级conda到最新版本，确保功能正常。

3. 配置镜像源（加速下载，国内推荐）

（1）添加国内镜像源（如清华源）

# 添加Anaconda仓库镜像
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/
# 添加conda-forge仓库镜像（包含更多包）
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
# 添加PyTorch镜像（如需安装PyTorch）
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

（2）设置显示通道地址（安装时可看到从哪个源下载）

conda config --set show_channel_urls yes

（3）查看已配置的镜像源

conda config --show channels

（4）删除指定镜像源

conda config --remove channels 源地址

四、实用技巧

1. 导出环境配置（用于复现环境）

# 在当前环境下执行，导出为yaml文件
conda env export > 环境名.yaml

• 示例：导出pytorch_env的配置到pytorch_env.yaml

  conda env export > pytorch_env.yaml
  

2. 从配置文件创建环境

conda env create -f 环境名.yaml

• 说明：在另一台机器上，通过导出的yaml文件可快速创建相同环境。

3. 清理conda缓存（释放磁盘空间）

# 清理未使用的包和缓存
conda clean -p      # 清理未使用的包
conda clean -t      # 清理tar包缓存
conda clean -y --all # 清理所有缓存（推荐）

五、PyTorch + CUDA + Python 配置（GPU加速场景）

1. 版本匹配核心步骤（必看！）

（1）确定Python版本

• 先通过python --version查看现有Python版本（或在创建conda环境时指定，如python=3.8）。
• 注意：PyTorch 2.0+ 建议Python 3.8及以上；旧版本（如1.8.x）支持Python 3.6~3.9。

（2）确定CUDA版本（仅GPU用户）

• 若未安装CUDA：先查显卡支持的最高CUDA版本（NVIDIA官网搜索显卡型号，如RTX 3090支持CUDA 12.x）。
• 若已安装CUDA：通过nvcc --version（显示CUDA工具包版本）或nvidia-smi（显示驱动支持的最高CUDA版本）查看。

（3）匹配PyTorch与CUDA

• 访问 PyTorch历史版本页，查询目标PyTorch版本支持的CUDA版本。
  例：PyTorch 1.12.1支持CUDA 10.2/11.3/11.6；PyTorch 2.0.0支持CUDA 11.7/11.8。

2. 具体安装步骤（以GPU为例）

（1）创建并激活conda环境

# 创建指定Python版本的环境（如Python 3.8，匹配CUDA 11.7）
conda create -n pytorch_gpu python=3.8
conda activate pytorch_gpu

（2）安装PyTorch（带CUDA）

• 从 PyTorch官网 复制对应版本的命令（选择“Conda”安装方式）。
  例：安装PyTorch 2.0.0 + CUDA 11.7：

  conda install pytorch==2.0.0 torchvision==0.15.0 torchaudio==2.0.0 pytorch-cuda=11.7 -c pytorch -c nvidia
  

• 说明：-c pytorch和-c nvidia指定从官方源下载（国内用户可先配置清华镜像源加速）。

（3）CPU版本安装（无NVIDIA显卡）

conda install pytorch==2.0.0 torchvision==0.15.0 torchaudio==2.0.0 cpuonly -c pytorch

3. 验证安装是否成功

# 进入Python交互环境
python# 执行以下代码，验证PyTorch和CUDA是否可用
import torch
print(torch.__version__)  # 输出PyTorch版本
print(torch.cuda.is_available())  # 输出True则GPU可用（CPU版本输出False）

六、注意事项

1. 环境操作注意

• 操作前先用conda env list确认环境名称，避免误删或误操作。
• 删除环境/包后无法恢复，重要环境建议先导出配置文件（conda env export）。
• 若激活环境失败，可能是conda未初始化：
  • Windows：重新安装Anaconda并勾选“Add Anaconda to my PATH environment variable”。
  • Linux/macOS：执行 conda init bash（或对应shell，如zsh），重启终端。

2. 包安装注意

• 优先用conda install安装包，conda管理的包兼容性更好；conda找不到的包再用pip install（pip安装的包不会被conda管理）。
• 安装指定版本时，需确保版本号格式正确（如pytorch==1.13.1，而非pytorch=1.13）。

3. PyTorch配置注意

• GPU版本需满足：有NVIDIA显卡 + 显卡支持CUDA + 安装对应版本的CUDA驱动（驱动版本需 ≥ CUDA工具包要求，参考NVIDIA文档）。
• 若安装后torch.cuda.is_available()返回False，检查：CUDA驱动是否安装、PyTorch与CUDA版本是否匹配、显卡是否支持CUDA。
• 国内用户安装PyTorch慢？先配置清华镜像源（见“三、3”），并删除命令中的-c pytorch -c nvidia（优先用镜像源）。
• 避免在base环境中安装大量包，建议为不同项目创建独立虚拟环境（如pytorch_env、tensorflow_env）。

通过以上内容，可满足conda环境管理、包安装及PyTorch配置的核心需求，新手可逐步实践并熟悉细节。