4. Python及科学计算环境搭建：Anaconda安装、conda环境管理、安装PyTorch、Jupyter Notebook

很多人一上来就急着写代码，结果装个包装到心态崩溃。说实话，我在蛋白结构预测项目里踩过的坑，有一半都是环境问题。今天这一章，我们就踏踏实实把地基打牢。

环境搭建就像盖楼的地基。地基歪了，后面模型跑不动，你都不知道该从哪查起。我个人习惯是，每做一个新项目，都用独立的环境——这样互不干扰，出问题也方便重来。

4.1 为什么选择Anaconda

Python本身只是个解释器，真正干活靠的是各种科学计算库。你想想看，Numpy、Scipy、PyTorch、OpenMM这些，一个个手动装，版本冲突能把你逼疯。

Anaconda帮你做了三件事：

• 管理Python版本：随时切换3.8、3.9、3.10
• 管理软件包：一键安装、卸载、升级
• 隔离环境：项目A和项目B的依赖互不干扰

我在项目中遇到过好几个同事，直接在系统Python里装东西，最后整个环境乱成一锅粥。重新装系统？那代价太大了。

4.2 安装Anaconda

安装这事，听起来简单，但也有细节。我曾经在Linux服务器上装错过版本，结果CUDA死活认不到。

先根据你的操作系统选版本：

Linux下的安装命令：

wget https://repo.anaconda.com/archive/Anaconda3-2024.10-Linux-x86_64.sh
bash Anaconda3-2024.10-Linux-x86_64.sh
# 一路按Enter，最后问你是否要 conda init，选 yes

export PATH=~/anaconda3/bin:$PATH
# 把这个加到 ~/.bashrc 或 ~/.zshrc 里

4.3 conda环境管理——核心技能

这才是本章的重头戏。环境管理说白了，就是给每个项目一个独立的Python小世界。我之前遇到一个同学，在base环境里装了一堆包，结果想复现别人的项目，版本对不上，只能重装——太痛苦了。

先看最常用的命令：

我们这次做蛋白结构预测，就用Python 3.9，兼容性最好：

conda create -n protein_env python=3.9
conda activate protein_env

看到命令行前面出现 (protein_env) 了吗？嗯，这就是你的"小世界"了。

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --set show_channel_urls yes

4.4 安装PyTorch

说到PyTorch，我得吐个槽。当初我配第一台GPU服务器时，花了整整一下午才装对版本。

PyTorch的安装，核心就一句话：版本必须匹配CUDA。

先看看你的显卡支持哪个CUDA版本：

nvidia-smi
# 看右上角 "CUDA Version: 12.1"

然后去PyTorch官网（pytorch.org）找到对应的安装命令。我这里给你几个典型场景：

python -c "import torch; print(torch.cuda.is_available())"
# 输出 True 才表示成功调用GPU

安装完成后，再装几个蛋白结构预测常用的库：

# 科学计算基础
conda install numpy scipy pandas

# 生物信息学常用
conda install -c conda-forge biopython

# 可视化
conda install matplotlib seaborn

# Jupyter Notebook（后面讲）
conda install jupyter

4.5 Jupyter Notebook——交互式开发的利器

你写蛋白结构预测的代码，肯定要反复调参数、看结果。如果用普通的.py文件，改一行跑一次，效率太低了。

Jupyter Notebook就是解决这个问题的：一段代码一个格子，跑完马上看结果。我在做AlphaFold2的项目时，90%的探索性代码都是在Notebook里写的。

启动和基本使用：

# 激活你的环境
conda activate protein_env

# 启动 Jupyter
jupyter notebook

# 浏览器会自动打开 http://localhost:8888
# 点击右上角 "New" -> "Python 3" 创建新笔记本

一个典型的Notebook长这样：

# 第一个格子：导入库
import torch
import numpy as np

# 第二个格子：写个简单的张量操作
x = torch.tensor([1.0, 2.0, 3.0])
print(x)

# 按 Shift+Enter 运行当前格子，自动跳到下一个

# 第三个格子：直接看结果图
import matplotlib.pyplot as plt
plt.plot([1,2,3],[4,5,6])
plt.show()

几个我常用的快捷键：

import torch, sys, numpy as np
print(f"Python: {sys.version}")
print(f"PyTorch: {torch.__version__}")
print(f"CUDA可用: {torch.cuda.is_available()}")
print(f"GPU: {torch.cuda.get_device_name(0) if torch.cuda.is_available() else 'None'}")
print(f"Numpy: {np.__version__}")

还有一个特别实用的功能——在Jupyter里切换conda环境的内核。如果你发现Notebook用的是base环境的内核，可以这样加你的环境：

# 在你的 conda 环境里安装 ipykernel
conda activate protein_env
conda install ipykernel

# 把当前环境注册为 Jupyter 内核
python -m ipykernel install --user --name protein_env --display-name "Protein (Python 3.9)"

之后打开Jupyter，在"Kernel" -> "Change kernel"里就能选了。

最后说一句——环境搭好了就别乱动。我在项目做到一半时，手贱升级了某个库，结果整个环境崩了。从那以后，我学会了快速导出环境配置：

conda env export > environment.yml
# 万一崩了，一秒重建：
conda env create -f environment.yml