conda创建指定路径里面的虚拟环境
2023-04-18 15:41:50 时间
总结
cd CronKGQA
conda create --prefix F:condaenvenv_name python=3.8 创建环境
activate F:condaenvenv_name 激活环境
conda remove -n env_name --all
conda remove -p F:condaenvenv_name --all 删除环境
conda deactivate 退出当前环境
可以尝试手动给该环境创建一个kernel
先使用jupyter kernelspec list 查看Conda中有几个kernel
默认只有一个
找到默认的kernel的路径,进入该目录。
修改副本中kernel.json文件
如果还没有内核,执行
python -m ipykernel install --user --name env_name --display-name "py3.7(env_name)"
--name后是虚拟环境的名称,--display-name后是希望该内核显示的名称。
打开python
import sys
sys.executable 查看当前的解释器路径
# jupyter notebook 中切换 kernel 不用在终端激活相应的环境
参考:https://blog.csdn.net/a982847942/article/details/127098421
1.默认路径下创建新环境
首先打开Anaconda Prompt
这里看到默认Conda安装路径,如果想要在默认路径下创建虚拟环境,直接使用如下命令:
conda create -n name python=3.7(python版本自己指定)
如图,创建完毕。
可以使用如下命令查看当前有哪些环境
conda env list
切换到新创建的环境
activate test
退出当前环境
conda deactivate
删除环境
conda remove -n test --all
2.指定路径下创建环境
conda create --prefix=F:condaenvenv_name python=3.7
F:condaenvenv_name 替换为你自己的路径
其它命令也有一点小变化,如下:
activate F:condaenvenv_name 激活环境
conda remove -p F:condaenvenv_name --all
3.一些常见问题(jupyter kernel)
在指定路径下创建环境后导入包在命令行可以使用,在Jupyter Notebook中无法使用?
解决办法:
可以尝试手动给该环境创建一个kernel
先使用jupyter kernelspec list 查看Conda中有几个kernel
默认只有一个,下面的deeplearning是我自己创建的。
找到默认的kernel的路径,进入该目录。
然后复制一份包含这三个文件的文件夹,如下图,python3是默认的,deeplearning是我复制的。
修改副本中kernel.json文件
然后再次执行jupyter kernelspec list看是否有新添加的内核,并打开Jupyter Notebook看问题是否解决。
如果jupyter kernelspec list查看没有内核(确保kernel.json内容要正确),或者在Jupyter Notebook中无法切换kernel,或者在Jupyter Notebook中切换内核失败,可以执行activate env_name 然后执行如下命令:
activate env_name
conda install ipykernel
python -m ipykernel install --user --name env_name --display-name "py3.7(env_name)"
--name后是虚拟环境的名称,--display-name后是希望该内核显示的名称。
完成之后再次进入Jupyter Notebook进行尝试。
不出意外,经过上述步骤应该是可以正常import了,可以使用下面命令查看正在使用的内核:
import sys
sys.executable
相关文章
- 【技术种草】cdn+轻量服务器+hugo=让博客“云原生”一下
- CLB运维&运营最佳实践 ---访问日志大洞察
- vnc方式登陆服务器
- 轻松学排序算法:眼睛直观感受几种常用排序算法
- 十二个经典的大数据项目
- 为什么使用 CDN 内容分发网络?
- 大数据——大数据默认端口号列表
- Weld 1.1.5.Final,JSR-299 的框架
- JavaFX 2012:彻底开源
- 提升as3程序性能的十大要点
- 通过凸面几何学进行独立于边际的在线多类学习
- 利用行动影响的规律性和部分已知的模型进行离线强化学习
- ModelLight:基于模型的交通信号控制的元强化学习
- 浅谈Visual Source Safe项目分支
- 基于先验知识的递归卡尔曼滤波的代理人联合状态和输入估计
- 结合网络结构和非线性恢复来提高声誉评估的性能
- 最佳实践丨云开发CloudBase多环境管理实践
- TimeVAE:用于生成多变量时间序列的变异自动编码器
- 具有线性阈值激活的神经网络:结构和算法
- 内网渗透之横向移动 -- 从域外向域内进行密码喷洒攻击