初识anaconda

环节一. 下载安装anaconda，完成手动配置环境变量

1. 下载 Anaconda

1. 访问 Anaconda 官网：

   • 打开浏览器，访问 Anaconda 官方下载页面。

2. 选择操作系统：

   • 在下载页面中，选择适合你操作系统的版本（Windows、macOS 或 Linux）。

3. 下载安装程序：

   • 点击相应的下载链接，下载 Anaconda 安装程序。下载完成后，你会得到一个 .exe（Windows）、.pkg（macOS）或 .sh（Linux） 文件。

2. 安装 Anaconda

Windows 系统

1. 运行安装程序：

   • 双击下载的 .exe 文件启动安装向导。

2. 选择安装选项：

   • 点击“Next”开始安装。
   • 选择安装类型，通常选择“Just Me”。
   • 选择安装路径（可以使用默认路径或指定路径）。

3. 配置环境变量（可选）：

   • 在安装过程中，你会看到一个选项“Add Anaconda to my PATH environment variable”。可以勾选上（推荐），这样你可以在命令提示符中直接使用 conda 命令。

4. 完成安装：

   • 点击“Install”开始安装。安装完成后，点击“Finish”结束安装。

3. 验证安装

1. 打开命令行工具：

   • 在 Windows 上，打开“Anaconda Prompt”。
   • 在 macOS 和 Linux 上，打开终端。

2. 验证 Anaconda 安装：

   • 输入以下命令：

     conda --version
     

   • 如果看到 Conda 的版本号，说明安装成功。

3. 更新 Conda（可选）：

   • 输入：

     conda update conda
     

这样，你就完成了 Anaconda 的安装。接下来，你可以使用 conda 命令来管理 Python 环境和安装包。

4. 系统手动配置环境变量

在 Windows 系统中手动配置 Anaconda 环境变量的步骤如下：

1. 打开环境变量设置窗口

1. 右键点击“此电脑”或“计算机”图标，然后选择“属性”。
2. 在弹出的窗口中，点击左侧的“高级系统设置”。
3. 在“系统属性”窗口中，点击“环境变量”按钮。

2. 添加 Anaconda 到环境变量

1. 在“环境变量”窗口中，找到“系统变量”区域的 Path 变量，选中它然后点击“编辑”。

2. 在“编辑环境变量”窗口中，点击“新建”。

3. 输入 Anaconda 的安装路径，通常是：

   C:\Users\你的用户名\Anaconda3
   

   或者如果你选择了其他安装路径，则输入你选择的路径。

4. 继续添加路径下的 Scripts 和 Library\bin 子目录：

   C:\Users\你的用户名\Anaconda3\Scripts
   C:\Users\你的用户名\Anaconda3\Library\bin
   

5. 确认添加的路径正确无误，然后依次点击“确定”保存设置。

3. 验证配置是否成功

1. 打开命令提示符（可以按 Win + R，输入 cmd 然后按 Enter）。

2. 输入以下命令以验证 conda 是否能够正确识别：

   conda --version
   

   如果看到 Conda 的版本号，说明环境变量配置成功。

3. 如果 conda 命令无法识别，尝试重启计算机，确保环境变量配置生效。

4. 解释配置以下三个路径的目的及原因

在配置 Anaconda 环境变量时，添加以下三个路径是为了确保系统能够正确地识别和执行 Anaconda 及其相关工具。下面是每个路径的目的及原因：

• Anaconda 安装路径：C:\Users\你的用户名\Anaconda3
• Scripts 路径：C:\Users\你的用户名\Anaconda3\Scripts
• Library\bin 路径：C:\Users\你的用户名\Anaconda3\Library\bin

1. Anaconda 安装路径：C:\Users\你的用户名\Anaconda3

目的：

• 这个路径是 Anaconda 的主目录，包含了 Anaconda 本身的所有核心文件和资源。

原因：

• 添加这个路径到环境变量中，系统可以直接识别到 Anaconda 的主目录，使得某些需要访问主目录下资源的命令可以正常工作。

2. Scripts 路径：C:\Users\你的用户名\Anaconda3\Scripts

目的：

• 这个路径包含了许多可执行的脚本和命令行工具，如 conda 和 pip 等。

原因：

• 通过将 Scripts 路径添加到环境变量中，你可以在任意命令提示符窗口中直接使用 conda、pip 和其他由 Anaconda 提供的命令行工具，而不需要每次都手动切换到 Anaconda 的安装目录。

3. Library\bin 路径：C:\Users\你的用户名\Anaconda3\Library\bin

目的：

• 这个路径包含了一些 Anaconda 依赖的动态链接库文件和其他二进制文件。

原因：

• 添加这个路径到环境变量中，确保系统能够找到这些必要的库文件，从而使得 Anaconda 和相关软件能够正常运行。如果没有这个路径，可能会遇到找不到某些库文件的问题，导致工具无法正常工作。

环节二. Windows简单使用jupyter notebook

在 Windows 系统中，使用 Jupyter Notebook 的步骤如下：

进入 Jupyter Notebook

1. 安装 Jupyter Notebook：

   • 首先确保你已经安装了 Jupyter Notebook。如果没有安装，可以使用以下命令安装：

     pip install jupyter
     

2. 打开命令提示符或 PowerShell：

   • 按下 Win + R 组合键，输入 cmd 或 powershell，然后按回车键，打开命令提示符或 PowerShell 窗口。

3. 启动 Jupyter Notebook：

   • 在命令提示符或 PowerShell 中，输入以下命令并按回车：

     jupyter notebook
     

   • 执行这个命令后，Jupyter Notebook 会启动，并自动在默认的 web 浏览器中打开。如果浏览器没有自动打开，你可以在命令行中看到类似如下的输出：

     http://localhost:8888/?token=your_token_here
     

     你可以复制并粘贴这个链接到浏览器的地址栏中以访问 Jupyter Notebook。

4. 使用 Jupyter Notebook：

   • 在浏览器中，你将看到 Jupyter Notebook 的文件浏览器界面，可以在这里创建新的 Notebook 或打开现有的 Notebook。

退出 Jupyter Notebook

1. 关闭 Jupyter Notebook 页面：

   • 在浏览器中，你可以通过关闭所有 Jupyter Notebook 页面来退出 Notebook 的用户界面。这不会停止 Jupyter Notebook 服务器，只是关闭了你当前的浏览器窗口。

2. 停止 Jupyter Notebook 服务器：

   • 回到命令提示符或 PowerShell 窗口，你可以按 Ctrl + C 来停止 Jupyter Notebook 服务器。系统会提示你确认是否要中止进程，按 Y 然后回车即可。
   • 你也可以在命令行中看到如下提示：

     Shutdown this notebook server (y/[n])?
     

     输入 y 并按回车即可停止服务器。

3. 关闭命令提示符或 PowerShell：

   • 停止服务器后，你可以关闭命令提示符或 PowerShell 窗口。

小结

1. 进入 Jupyter Notebook：打开命令提示符或 PowerShell，输入 jupyter notebook，然后在浏览器中访问自动打开的页面或粘贴 URL。
2. 退出 Jupyter Notebook：在浏览器中关闭页面，回到命令提示符或 PowerShell 中按 Ctrl + C 停止服务器。

环节三.Conda提供的环境管理功能

在 Conda 中，管理不同的环境是一个非常重要的功能，它允许你在同一台机器上创建和使用多个独立的环境，以便于项目间的依赖管理。以下是关于 Conda 不同环境的主要操作指南。

1. 创建新环境

要创建新的 Conda 环境，可以使用以下命令：

conda create --name myenv python=3.9

在这个命令中，myenv 是您要创建的新环境的名称，python=3.9 则指定了该环境使用的 Python 版本。你可以根据需要更改环境名称和 Python 版本。

2. 激活环境

创建后，你可以使用以下命令激活环境：

conda activate myenv

激活环境后，命令提示符或终端的前缀通常会显示活跃环境的名称。例如，前缀可能会变成 (myenv)。

3. 退出环境

要退出当前活跃的环境并返回到 base 环境，使用：

conda deactivate

4. 列出所有环境

要查看系统中所有可用的 Conda 环境，可以使用命令：

conda env list

或者：

conda info --envs

这两个命令将显示所有环境的列表以及它们的路径。

5. 删除环境

如果你不再需要某个环境，可以使用以下命令删除它：

conda remove --name myenv --all

将 myenv 替换为你要删除的环境的名称。

6. 安装包到环境中

在激活的环境中安装包，使用：

conda install package_name

例如，要在当前环境中安装 NumPy，可以运行：

conda install numpy

7. 从环境中导出包列表

如果你想记录当前环境中的依赖包列表，可以使用以下命令导出到 environment.yml 文件中：

conda env export > environment.yml

8. 从环境文件创建环境

如果你有一个 environment.yml 文件，可以使用以下命令根据该文件创建新的环境：

conda env create -f environment.yml

9. 更新包

在激活的环境中，可以使用以下命令更新已安装的包：

conda update package_name

10. 列出可更新的包

要查看当前环境中所有可以更新的包，可以使用以下命令：

conda update --all

常用命令总结

操作	命令
创建新环境	conda create --name myenv python=3.9
激活环境	conda activate myenv
退出环境	conda deactivate
列出所有环境	conda env list
删除环境	conda remove --name myenv --all
安装包	conda install package_name
导出包列表	conda env export > environment.yml
从环境文件创建环境	conda env create -f environment.yml
更新包	conda update package_name
列出可更新的包	conda update --all

小结

Conda 提供了强大的环境管理功能，让你能够在同一台机器上高效地管理多个项目的依赖。通过以上常用命令，你可以轻松地创建、激活、删除环境，以及在不同环境中安装和管理包。

环节四.分析一下anaconda与conda的异同

Anaconda 和 Conda 是常用于 Python 数据科学和机器学习领域的工具，但它们各自的功能和用途有所不同。以下是 Anaconda 和 Conda 的异同点分析：

1. Anaconda

定义

• Anaconda 是一个开源的 Python 发行版，它包含了 Conda 包管理器以及大量的科学计算和数据分析所需的库和工具。它由 Anaconda, Inc. 开发和维护。

主要特点

• 集成环境：Anaconda 是一个完整的解决方案，除了 Conda 之外，还包括了许多常用的数据科学工具和库，如 NumPy、Pandas、SciPy、Jupyter Notebook、Spyder 等。
• 安装包：Anaconda 自带了这些工具和库，可以简化安装过程，用户只需下载安装 Anaconda，便可以立即使用这些工具。
• 大型安装包：由于它包含了许多额外的工具和库，Anaconda 的安装包比较大，占用磁盘空间较多。

2. Conda

定义

• Conda 是一个独立的开源包管理器和环境管理器，旨在简化软件包的安装、升级和环境的创建。它可以作为 Anaconda 发行版的一部分，也可以单独使用，通常与 Miniconda 一起使用。

主要特点

• 包管理：Conda 主要负责包的管理和安装，可以处理包括 Python 在内的多种语言的包。
• 环境管理：Conda 允许用户创建、管理和切换不同的虚拟环境，使得不同项目可以使用不同的包版本和 Python 版本。
• 灵活性：Conda 可以与其他 Python 发行版一起使用，如 Miniconda（一个轻量级的 Anaconda 版本，默认不带附加的库和工具），提供更多的灵活性。

相同点

1. 包管理：Anaconda 和 Conda 都使用 Conda 包管理器来管理软件包。无论是通过 Anaconda 还是通过 Conda，用户都可以使用 conda install 命令来安装和管理软件包。

2. 环境管理：Anaconda 和 Conda 都支持创建和管理虚拟环境。你可以使用 conda create 命令创建新环境，并使用 conda activate 和 conda deactivate 命令在环境之间切换。

3. 开源：Anaconda 和 Conda 都是开源的项目，用户可以自由使用和修改。

不同点

1. 功能范围：

   • Anaconda 是一个完整的发行版，提供了一整套数据科学和机器学习工具及库。
   • Conda 只是一个包管理器和环境管理器，功能更集中于包和环境的管理，不包括附带的工具和库。

2. 安装包大小：

   • Anaconda 的安装包较大，因为它包含了许多预安装的库和工具。
   • Conda（或 Miniconda）较小，因为它默认不附带任何库和工具，用户可以根据需要自行安装。

3. 默认工具：

   • Anaconda 自带了一些默认的工具，如 Jupyter Notebook 和 Spyder。
   • Conda 本身不附带这些工具，用户需要手动安装所需的工具。

4. 安装方式：

   • Anaconda 提供了一个全面的安装包，安装后用户即刻可以使用各种数据科学工具。
   • Conda 可以通过 Miniconda 安装，Miniconda 提供了一个精简的基础环境，用户可以根据需要添加工具和库。

小结

• Anaconda 是一个集成了 Conda 的全面数据科学发行版，适合需要一个现成工具和库集合的用户。
• Conda 是一个灵活的包管理器和环境管理器，可以单独使用，也可以与 Anaconda 一起使用，用于管理软件包和环境。Miniconda 是一个轻量级的替代品，提供了 Conda 的核心功能，但没有附带额外的工具和库。

环节五.结合使用 Conda 和 Jupyter Notebook

jupyter notebook 和 conda env list 是 Conda 环境管理和 Jupyter Notebook 使用中的两个重要命令。它们分别用于不同的功能，下面是如何使用它们的详细说明：

1. conda env list

conda env list 命令用于列出系统中所有的 Conda 环境及其路径。这个命令可以帮助你查看当前已创建的所有环境，以及它们的存储位置。

使用方法：

• 列出所有环境：

  conda env list
  

  或者

  conda info --envs
  

• 输出示例：

  # conda environments:
  #
  base                  *  /home/user/miniconda3
  myenv                    /home/user/miniconda3/envs/myenv
  another_env              /home/user/miniconda3/envs/another_env
  

  • base 是默认的基础环境，通常标记为 *。
  • 列表中的每一行表示一个 Conda 环境及其路径。

2. jupyter notebook

jupyter notebook 命令用于启动 Jupyter Notebook 服务器，并打开一个新的 Jupyter Notebook 会话。Jupyter Notebook 是一个基于 Web 的应用程序，用于创建和共享文档，这些文档包含代码、文本、可视化等。

使用方法：

• 启动 Jupyter Notebook：

  jupyter notebook
  

  运行该命令后，会在默认的 Web 浏览器中打开 Jupyter Notebook 界面。你会看到一个文件浏览器界面，你可以在其中创建、打开和管理 Jupyter Notebook 文件（.ipynb 文件）。

• 指定工作目录：
  如果你想在特定目录中启动 Jupyter Notebook，可以在命令后面指定目录路径：

  jupyter notebook --notebook-dir=/path/to/your/directory
  

• 查看所有选项：
  你可以使用以下命令查看 jupyter notebook 的所有命令行选项：

  jupyter notebook --help
  

3. 结合使用 Conda 和 Jupyter Notebook

为了在特定的 Conda 环境中使用 Jupyter Notebook，你需要确保 Jupyter Notebook 可以识别该环境。通常，你需要安装 ipykernel 并将该环境注册为一个 Jupyter 内核。以下是步骤：

1. 激活目标 Conda 环境：

   conda activate myenv
   

2. 安装 ipykernel：

   conda install ipykernel
   

3. 将 Conda 环境添加到 Jupyter 内核列表中：

   python -m ipykernel install --user --name=myenv --display-name "Python (myenv)"
   

• python -m ipykernel:

  • python 是执行 Python 解释器的命令。
  • -m 选项告诉 Python 运行一个模块作为脚本。
  • ipykernel 是你要运行的模块。ipykernel 是一个库，它提供了 Jupyter Notebook 所需的 Python 内核支持。

• install:

  • install 是 ipykernel 模块的子命令，用于安装内核。

• --user:

  • 这个选项表示将内核安装到当前用户的 Jupyter 配置目录中，而不是系统范围的目录。这样做通常不需要管理员权限。

• --name=myenv:

  • --name 参数指定了内核的唯一名称。在 Jupyter Notebook 的内核列表中，这个名称用于识别和选择这个内核。
  • myenv 是你为这个内核指定的名称。你可以选择任何你喜欢的名称，但它必须是唯一的。

• --display-name "Python (myenv)":

  • --display-name 参数指定了在 Jupyter Notebook 中显示的内核名称。
  • "Python (myenv)" 是你希望在 Jupyter Notebook 界面上看到的名称。这个名称会出现在内核选择列表中，帮助你区分不同的内核。

4. 启动 Jupyter Notebook：

   jupyter notebook
   

5. 选择内核：

   • 在 Jupyter Notebook 界面中，打开或创建一个新的 notebook。
   • 点击上方的 Kernel 菜单，选择 Change kernel，然后选择刚刚添加的内核（如 “Python (myenv)”）。

环节七.举一个不同conda环境中使用不同包的例子，给出相关实验的代码

下面是一个示例，展示如何在不同的 Conda 环境中使用不同的 Python 包。假设我们有两个不同的 Conda 环境，每个环境中都安装了不同版本的 TensorFlow，我们将进行一个简单的实验来比较它们。

场景描述

1. 环境1：使用 TensorFlow 1.x 版本。
2. 环境2：使用 TensorFlow 2.x 版本。

我们将创建这两个环境，并在每个环境中运行一个简单的 TensorFlow 示例代码，以展示不同版本的差异。

1. 创建和配置 Conda 环境

环境1：TensorFlow 1.x

# 创建名为 tf1_env 的 Conda 环境，并安装 TensorFlow 1.x
conda create -n tf1_env python=3.7
conda activate tf1_env
pip install tensorflow==1.15.0

环境2：TensorFlow 2.x

# 创建名为 tf2_env 的 Conda 环境，并安装 TensorFlow 2.x
conda create -n tf2_env python=3.7
conda activate tf2_env
pip install tensorflow==2.7.0

2. 编写和运行实验代码

在这两个环境中，我们将使用不同版本的 TensorFlow 来定义和训练一个简单的神经网络模型。这里的代码示例展示了如何定义一个简单的模型并进行训练。

代码：使用 TensorFlow 1.x

在 tf1_env 环境中运行以下代码：

import tensorflow as tf

# 版本检查
print("TensorFlow version:", tf.__version__)

# 使用 TensorFlow 1.x API
tf.compat.v1.disable_eager_execution()  # TensorFlow 1.x 需要禁用即时执行

# 定义模型
X = tf.compat.v1.placeholder(tf.float32, shape=[None, 1], name='X')
Y = tf.compat.v1.placeholder(tf.float32, shape=[None, 1], name='Y')

W = tf.Variable(tf.random_normal([1, 1]), name='weights')
b = tf.Variable(tf.random_normal([1]), name='bias')

pred = tf.matmul(X, W) + b

loss = tf.reduce_mean(tf.square(pred - Y))
optimizer = tf.compat.v1.train.GradientDescentOptimizer(learning_rate=0.01).minimize(loss)

# 训练模型
with tf.compat.v1.Session() as sess:
    sess.run(tf.compat.v1.global_variables_initializer())
    for epoch in range(10):
        _, l = sess.run([optimizer, loss], feed_dict={X: [[1], [2]], Y: [[2], [4]]})
        print(f'Epoch {epoch+1}, Loss: {l}')

代码：使用 TensorFlow 2.x

在 tf2_env 环境中运行以下代码：

import tensorflow as tf

# 版本检查
print("TensorFlow version:", tf.__version__)

# 使用 TensorFlow 2.x API
# 定义模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(units=1, input_shape=[1])
])

# 编译模型
model.compile(optimizer='sgd', loss='mean_squared_error')

# 训练模型
X = [[1], [2]]
Y = [[2], [4]]
model.fit(X, Y, epochs=10, verbose=1)

# 打印训练结果
print("Training complete.")

3. 运行实验

• 激活 tf1_env 环境，并运行 TensorFlow 1.x 示例代码：

  conda activate tf1_env
  python your_tf1_script.py
  

• 激活 tf2_env 环境，并运行 TensorFlow 2.x 示例代码：

  conda activate tf2_env
  python your_tf2_script.py
  

4. 结果分析

通过在两个不同的环境中运行这两个代码示例，你可以观察到：

• TensorFlow 1.x 使用 tf.compat.v1 兼容模块来实现计算图的创建和训练。
• TensorFlow 2.x 使用更高层次的 tf.keras API，简化了模型定义和训练的过程。

这个示例展示了如何在不同的 Conda 环境中运行不同版本的 TensorFlow，并比较它们的 API 和使用方式。通过这种方式，你可以确保在实验或项目中使用适当版本的工具，并获得一致的结果。