📚 课程目录第2章 Conda简介

Conda 是什么？

先来个直白的定义。Conda 是一个跨平台的包管理器 + 环境管理器。听起来很唬人？其实说白了，它帮你管两件事：装软件 和 隔离环境。而且它不光能管 Python 包——我一开始也觉得奇怪，后来才发现 C/C++ 库、R 包、甚至命令行工具它都能管。

你可能用过 pip，也知道 virtualenv。Conda 跟它们有点像，但更「重」一些，也更「底层」一些。举个例子，我在项目里遇到一个坑：用 pip 装某个科学计算库，结果编译报错，说缺了 fortran 编译器。换成 conda 装，一条命令搞定——它连底层的 libblas、liblapack 都给你包了。

一句话总结：Conda = 包管理 + 环境管理，不限语言，自带二进制依赖。

Conda 与 pip + virtualenv 的对比

你看，很多人一上来就问：「有了 pip 为什么还要用 Conda？」我当年也这么想过。实际用下来，区别还是很明显的。我直接列个表，对比着看更清楚。

特性	Conda	pip + virtualenv
适用范围	任何语言（Python、R、C++ 等）	仅 Python
底层依赖处理	自动处理非 Python 的二进制依赖	需要手动安装系统库，或依赖 wheel
环境隔离	内置 conda create，隔离级别为完整目录	virtualenv/venv，仅隔离 Python 站点包
软件来源	Anaconda 仓库 / conda-forge 等 channel	PyPI
安装方式	二进制预编译包，无需编译	多为源码编译，部分提供 wheel
版本锁定	通过 environment.yml 实现可重复	requirements.txt + pip freeze

我个人的习惯是：如果项目只涉及纯 Python 包，用 pip + venv 完全够用。但一旦涉及到科学计算、GPU 驱动、编译依赖（比如 TensorFlow、PyTorch、OpenCV），我绝对用 Conda。有一次做 Docker 镜像，用 pip 装 OpenCV 折腾了半小时，换成 conda 一行搞定——它把 libjpeg、libpng 都带上了。

小技巧：你可以在 Conda 环境里继续用 pip，但反过来不行。Conda 是「老大」，它管理 pip 是安全的。

为什么可重复计算需要 Conda？

回到课程主题。可重复计算的核心是环境一致性。你写了一堆代码，两年后打开，发现 numpy 版本变了，结果不一样了——这种糟心事我遇到过好几次。

Conda 的好处是：你可以导出一个完整的 environment.yml 文件，里面记录了所有包的精确版本和来源 channel。别人拿到这个文件，conda env create -f environment.yml 就能复现一模一样的环境。甚至连 Python 版本、底层库版本都一模一样。

相比之下，pip freeze 只记录顶层包的版本，而且不包含非 Python 依赖。你换个系统，可能就跑不起来了。

# Conda 环境导出示例
name: myenv
channels:
  - conda-forge
  - defaults
dependencies:
  - python=3.10
  - numpy=1.24.3
  - scipy=1.9.3
  - pip
  - pip:
    - flask==2.3.2

嗯，就是这个文件。只要 channel 和版本号写清楚，环境就是可重复的。

Conda 的生态：Anaconda 与 Miniconda

安装 Conda 有两种主流选择：Anaconda 和 Miniconda。很多人搞混，我简单讲一下。

Anaconda：大而全。装完自带 1500+ 科学计算包，体积 3GB 左右。适合初学者或离线环境。
Miniconda：只含 Python 和 conda 核心，体积不到 100MB。需要什么包自己装。我推荐这种，更轻量。

注意：Anaconda 默认包含很多包，但很可能你用不到。而且大镜像推送到 Docker registry 很慢。我们后面做 Docker 镜像时，会用 Miniconda 作为基础。

除了这两个，还有 Miniforge——它是社区维护的，默认 channel 是 conda-forge，没有 Anaconda 的商用许可限制。如果公司政策严格，可以考虑它。

安装 Miniconda（推荐）

安装过程很简单。我以 Linux 为例（我们 Docker 环境也是 Linux）。

第一步，下载安装脚本。

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh

第二步，运行安装脚本。

bash Miniconda3-latest-Linux-x86_64.sh

一路回车，最后选择「yes」初始化 conda。安装完记得重新打开终端或执行 source ~/.bashrc。

我的一点经验：安装时默认路径是 ~/miniconda3。如果你在 Docker 里安装，建议放在 /opt/conda，方便多用户共享。后面讲 Dockerfile 时会专门说。

检查是否安装成功：

conda --version

输出版本号就算成了。例如：

conda 23.10.0

验证 Conda 的基本操作

装好后，试试几个核心命令，熟悉一下。

查看当前环境列表：

conda env list

创建一个新环境：

conda create -n testenv python=3.10

激活环境：

conda activate testenv

安装包：

conda install numpy scipy

导出环境：

conda env export > environment.yml

这些命令之后会反复用到。现在先有个手感。

本章知识体系

下面这张图把本章的核心逻辑串起来了，你可以一眼看清楚 Conda 在整个可重复计算流程中的位置。

好了，Conda 是什么、和 pip 的区别、怎么安装，你已经清楚了。下节课我们会真正动手，用 Conda 创建一个可重复的计算环境，并把它导出成 environment.yml——这是 Docker 容器化的第一步。