AI开发必备神器：Anaconda和Jupyter NotebookAnaconda是一个集成的Python发行版，专为

Anaconda简介

定义：Anaconda是一个集成的Python发行版，专为数据科学、机器学习和AI开发而设计。它包含了常用的Python库、包管理工具（Conda）和常用数据科学工具（如：Jupyter等开发工具）。

在机器学习和AI开发中使用的原因

环境管理便捷：可以通过Conda轻松创建和管理虚拟环境，为不同的项目设置独立的环境，避免Python依赖冲突。
内置丰富资源：自带了众多常用的AI库，无需手动安装，节省了大量时间和精力。这使得开发者能够快速搭建起工作环境，立即开始项目开发。

预装的科学计算库

包含 250+ 个流行的数据科学包：

数据处理: pandas, NumPy

可视化: Matplotlib, Seaborn

机器学习: scikit-learn, TensorFlow, PyTorch

科学计算: SciPy, Jupyter

图形化工具

Anaconda Navigator - 图形界面管理环境和应用

Jupyter Notebook/Lab - 交互式编程环境

Spyder - 科学Python开发环境

RStudio - R语言开发环境

一、Conda简介

Conda是一个开源的软件包管理系统和环境管理系统。它最初是为Python程序创建的，但现在已经可以打包和分发其他软件，适用于Linux、macOS和Windows系统。以下是关于conda的详细信息：

主要功能

包管理：可以快速安装、运行和更新包及其依赖项，类似于Node.js的npm或Python的pip，但功能更强大，能更好地处理依赖关系。
环境管理：能够轻松地在计算机上创建、保存、加载和切换环境，使得在同一台机器上管理多个软件包版本成为可能，这对于需要不同版本的Python或特定依赖项的项目非常有用。

与pip的区别

包管理范围：conda不仅可以管理Python包，还可以管理其他语言的包；而pip主要用于管理Python包。
环境隔离方式：conda本身可以创建和管理独立的环境，而pip一般要与虚拟环境（如：venv）结合使用来实现类似的隔离效果。
依赖冲突解决：conda能够解决包之间的依赖关系冲突，确保安装兼容的包；pip在安装包时如果存在依赖冲突，可能需要手动解决。

venv 是 Python 官方内置的用于创建虚拟环境的工具。

常用 Conda 命令示例

功能	命令	说明
创建环境	`conda create -n 环境名 python=3.10`	创建一个名为“环境名”的新环境，并指定Python版本为3.10
激活环境	`conda activate 环境名`	进入（使用）某个环境（Windows和macOS/Linux命令相同）
退出环境	`conda deactivate`	退出当前环境，回到基础环境
列出所有环境	`conda env list` 或 `conda info -e`	查看已创建的所有环境
安装包	`conda install numpy` 或 `pip install numpy`	在当前激活的环境中安装包（优先使用conda）
列出已安装包	`conda list`	查看当前环境中已安装的包
删除环境	`conda env remove -n 环境名`	删除一个不再需要的环境
导出环境	`conda env export > environment.yml`	将当前环境的配置导出到文件，便于分享和复现

二、Jupyter Notebook简介

定义：Jupyter Notebook是一个基于Web的交互式开发环境，支持Python代码编写、调试、运行以及数据可视化。它被广泛应用于AI研究、数据分析和机器学习模型训练。

在机器学习和AI开发中使用的原因

交互式执行代码：支持分块执行代码，便于调试和数据分析。在机器学习和AI开发中，经常需要对代码进行反复调试和修改，Jupyter Notebook的这种特性可以让开发者快速查看代码执行结果，及时调整代码逻辑。
文档与代码结合：可以在Notebook中添加Markdown文档，方便记录研究过程、注释代码功能和撰写项目报告。对于机器学习和AI项目，这种文档与代码相结合的方式非常有利于知识的整理和分享。
与Anaconda完美兼容：Anaconda内置Jupyter Notebook，开箱即用，两者结合可以为机器学习和AI开发提供一个高效、便捷的工作环境。

Jupyter Lab 是 Jupyter Notebook 的下一代产品和功能超集。

Jupyter Notebook 是开创者，提供了一个简单直接的文档式交互界面。
Jupyter Lab 是进化版，提供了一个模块化、集成化的开发环境。

jupyter内核相关指令

查看已注册内核 只显示手动注册的内核，nb_conda_kernels模块自动检测到的不会显示

jupyter kernelspec list

删除内核

jupyter kernelspec remove myenv

查看内核详细信息

jupyter kernelspec list --json

三、conda环境与jupyter内核绑定

激活conda环境：使用命令conda activate <环境名称>
下载内核：conda install ipykernel
内核和环境匹配：python -m ipykernel install --user --name <内核名称> --display-name <内核展示名称>

命令分解

命令	含义
`python`	当前已激活的 Python 解释器（通常是你想注册的虚拟环境中的 Python）
`-m ipykernel`	以模块方式运行 `ipykernel` 包
`install`	`ipykernel` 模块的子命令，表示安装一个内核
`--user`	将内核安装到当前用户的目录下，不需要管理员权限
`--name <内核名称>`	内核名称，建议与环境名称一致（可自定义）
`--display-name <内核展示名称>`	jupyter中显示的内核名称（可自定义）

架构关系

四、实践操作

下载Anaconda

官网下载地址：www.anaconda.com/download/su…

清华源下载地址：mirrors.tuna.tsinghua.edu.cn/anaconda/ar…

清华源是国内镜像地址，在国内下载会更快一些。

验证是否安装成功

使用conda --version或conda -V验证Conda是否安装成功。
使用python --version或python -V验证Python是否安装成功。
使用jupyter notebook --version或jupyter notebook -V验证Jupyter Notebook是否安装成功。
使用jupyter-lab --version或jupyter-lab -V验证Jupyter Lab是否安装成功。

设置环境变量

如果提示以上命令不存在，也要检验一下环境变量是否配置正确。

常规环境变量路径

C:\Users\你的用户名\Anaconda3              # 基础位置
C:\Users\你的用户名\Anaconda3\Scripts      # 直接命令
C:\Users\你的用户名\Anaconda3\Library\bin  # 运行时依赖

我是安装在D盘ProgramData中的，以下是我的环境变量路径

D:\ProgramData\anaconda3
D:\ProgramData\anaconda3\Scripts
D:\ProgramData\anaconda3\Library\bin

设置镜像仓库

conda安装需要的Python包非常方便，但是官方服务器在国外，下载龟速，国内清华大学提供了Anaconda的镜像仓库，我们把源改为清华大学镜像源

方法一：命令行设置，如下：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ 
conda config --set show_channel_urls yes # 安装包时显示频道URL

方法二：直接修改配置文件

找到用户目录下的.condarc文件，内容改为如下内容即可

ssl_verify: true 
channels: – https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ – defaults
show_channel_urls: true # 安装包时显示频道URL

conda 和 pip 搭配使用

conda能自动处理依赖冲突问题，所以安装依赖时优先使用conda命令。但是有时conda资源可能没有对应的依赖，这时就需要使用pip命令安装了。
conda默认渠道没有依赖包，而 conda-forge 是一个社区维护的软件源，更新通常更及时，包版本也更丰富。

使用conda-forge渠道的方式

明确指定 conda-forge 渠道：在安装命令中加上 -c conda-forge，告诉 Conda 优先从这个渠道搜索包。
```
bash
conda install xxx -c conda-forge
```
将 conda-forge 设为优先渠道（推荐） ：为了避免每次安装都要指定渠道，可以将其添加到您的渠道列表并设为最高优先级。
```
bash
conda config --add channels conda-forge
conda config --set channel_priority strict
```

使用`Conda`创建虚拟环境

创建虚拟环境

创建一个名为myenv且指定Python版本为3.10的虚拟环境

语法：conda create -n <环境名称> [选项]

conda create -n myenv python=3.10

切换（激活）虚拟环境并下载绑定jupyter内核

首页安装或切换命令行工具后需要先使用conda init命令初始化，以便于能切换正常切换环境。

切换（激活）虚拟环境，激活后命令行提示符会显示当前环境名称，表示已切换到该环境。

语法：conda activate <环境名称>

conda activate myenv

下载内核并为conda环境注册内核

# 下载内核
conda install ipykernel

为conda环境注册jupyter内核（当前环境已切换至myenv中）

常规情况下，以下命令中的<内核名称>建议与conda的环境名一致。不过我们为了分析conda环境名和 jupyter内核名之间的关系，接下来我们会特意使用不同的名称。

语法：python -m ipykernel install --user --name <内核名称> --display-name <内核展示名称>

# 建议写法
python -m ipykernel install --user --name myenv --display-name "Python 3.10 (My Env)"

# 我们以该命令为例分析两个名称之间的关系
python -m ipykernel install --user --name myenv-kernel --display-name "Python 3.10 (My Env Kernel)"

查看conda环境列表和 Jupyter内核列表

Jupyter Notebook中的内核列表如下图

通过以上两个图片的环境名称myenv、内核名称myenv-kernel，以及Jupyter Notebook中展示的内核名称Python 3.10 (My Env Kernel)，就很好理解命令python -m ipykernel install --user --name myenv-kernel --display-name "Python 3.10 (My Env Kernel)"中的三个名称的意义了。

隐藏多久内核

有些朋友可能也发现了，Jupyter Notebook中展示的内核列表中还有Python [conda env:base] 和 Python [conda env:myenv]。

Python [conda env:base]是默认内核，而Python [conda env:myenv]则是nb_conda_kernels自动检测出来的内核。它会自动检测所有已经安装的conda环境，并将符合条件的虚拟环境显示为可用的kernel。虚拟环境需要满足的条件是：必须安装了ipykernel，并且不是隐藏环境（即名称不能以.开头）。

卸载nb_conda_kernels包，这样就不会自动显示所有符合条件的conda环境了。注意这个包是在base环境下的，要在base环境卸载。

# 切换到base环境
conda activate base

#卸载nb_conda_kernels包
conda remove nb_conda_kernels

重启Jupyter Notebook后，内核列表如下图。Python [conda env:myenv]内核已经去掉了。

启动`Jupyter Notebook` 或 `Jupyter Lab`

在项目目录中启动cmd,然后在命令行界面使用以下命令启动Jupyter Notebook 或 Jupyter Lab。

启动Jupyter Notebook

jupyter notebook

启动Jupyter Lab

jupyter lab

Jupyter Notebook编辑页面，

AI算力云平台

平台名称	平台类型	核心功能/服务	目标用户	计费方式
AutoDL	算力租赁平台	主打高性价比的GPU算力租赁，提供丰富的预置环境镜像，开箱即用-2 -3。	AI开发者、学生、科研人员-2。	GPU按小时计费，定价透明-2。
Azure	全功能云平台	提供从虚拟机、数据库到一站式AI服务（如Azure OpenAI）的全栈云服务-2。	企业开发团队、需要构建完整AI应用的用户-2。	按不同服务定价，新用户有免费额度-2。
百度EasyDL	自动化AI平台	零门槛模型训练，用户只需上传数据，平台自动完成模型训练和部署，无需编码-1 -6 -7。	无AI算法基础、希望快速定制模型的企业和个人-1 -6。	通常按API调用次数或资源包收费。
算家云	算力租赁平台	提供GPU算力租赁，强调新硬件和流畅体验，租用方式人性化，文档教程详细-3 -4。	AI学习者、模型训练者-3。	提供按量计费等多种灵活方式-3 -4。
OpenBayes	算力与社区平台	提供算力资源，并建立共享与合作的社区生态系统-5。	AI开发者、科研人员-5。	未明确提及，通常为按使用计费。

参考文献：

AI开发必备神器：Anaconda和Jupyter Notebook