# Summary [[python 虚拟环境venv]] 和 conda 都**不会**在项目间复用包 ```Java # venv project1/.venv/ ← 有自己的完整包 project2/.venv/ ← 有自己的完整包 # 两个环境互相独立，不共享 # conda ~/anaconda3/envs/project1/ ← 有自己的完整包 ~/anaconda3/envs/project2/ ← 有自己的完整包 # 同样互相独立，不共享 ``` 真正的区别 | 维度 | venv | conda | | -------------- | ---------- | ----------------------- | | **环境位置** | 分散在各项目目录 | 集中在 `~/anaconda3/envs/` | | **包来源** | PyPI (pip) | Anaconda 仓库 + PyPI | | **依赖解析** | 简单（可能冲突）| 强大（SAT solver）| | **非 Python 包** | ❌ 不支持 | ✅ 支持（如 CUDA、系统库）| | | | | | | | | 用 conda 管"环境"，用 [[uv]] 装"Python 包"（快！） ```Java conda create -n ml_project python=3.11 conda activate ml_project conda install cudatoolkit # conda 装系统级依赖 uv pip install torch torchvision pandas scikit-learn ``` # Cues [[Anaconda]] # Notes ## Channel Channels就像不同的图书供应商，比如清华源、华为源、阿里源 ## install 用 pip 还是 conda 大部分情况下，二者没有区别，怎么安装都可以work，不过，二者混着装各种package你真的会因为版本冲突而发疯！ [conda](https://zhida.zhihu.com/search?content_id=493927916&content_type=Answer&match_order=1&q=conda&zhida_source=entity)有严格的检查机制，它会保证你当前装的package安装好之后能work，但是，它只检查用conda安装过的package。例如，你新安装的package会依赖[numpy](https://zhida.zhihu.com/search?content_id=493927916&content_type=Answer&match_order=1&q=numpy&zhida_source=entity)，不过你已经安装numpy(e.g., 1.19.2)，但是用pip安装的，不好意思，它会认为你没安装，然后用conda再安装一个依赖版本的numpy(e.g., 1.18.5)。这个时候，两个numpy可能就打架了。并且你pip list与conda list显示的numpy版本可能不一致，结果不知道最后运行程序的时候调用了哪个版本的numpy。 这个时候，uninstall可能也卸载不干净，卸了一个还有一个，最后还可能一直list有却是一个空壳。这个时候，快刀斩乱麻的方法，找到[anaconda](https://zhida.zhihu.com/search?content_id=493927916&content_type=Answer&match_order=1&q=anaconda&zhida_source=entity)的lib/site-packages/numpy, 手动删掉它！ pip的一个好处是可以安装时既检查conda安装过package的也检查pip安装过的package。不过，它只负责要什么装什么，不负责能不能把装的一堆packages打通，可能装好不work:(。 一般原则，在新环境中，如果装多个packages，既用到conda，又用到pip，那就先conda 的都装好，再pip，如果能用一种装到底，就不要来回换着用。 血泪教训，end.