关于Anaconda通过environment.yml配置环境的常见问题解决办法

配环境总是一个老生常谈的问题，有些项目写得好的，会把一些冗余的包删除，只留下必要的包，并且手把手教你pip安装，但是有些项目就直接丢一个200~300行的environment.yaml文件或者requirement.txt文件让你自己去配，虽然也有相关的环境配置内容，但能够按照步骤一次通过配置的可能性很低，而且大部分问题会跟系统环境、pytorch版本、anaconda版本有关，最终结果就是有些包配了半天终于配好了，结果代码里面直接一个注释不用了，总之就是让人十分折磨。本文决定对一些常见配环境问题进行一个简单的总结，希望可以帮到大家。

在conda中，一般通过yaml文件来配置环境的命令为：

conda env create -f environment.yml -n 环境名

但能够一次性成功配置环境属于少数情况，一般都会遇到配置太慢、卡死、solving environment failed、PackageNotFound、以及pip爆出的一堆红字

问题1：包找不到，且大部分都带有包的唯一标识符（例如hf484d3e_0、h1ccaba5_0）

分类讨论一下，如果只有少量的包，或许可以通过删除yaml文件中的唯一标识符限制来完成环境配置，yaml文件改动如下所示：

但是如果有很多包（带唯一标识符的）都找不到，就很有可能是系统环境不对导致的

例如尝试在windows10环境下配置linux中特有的一些包

当然这样也会导致一些其他包出现问题：

这个时候就需要敏锐一点，发现最后一个包的包名为ld_impl_linux-64，就可以反应过来配置的系统不对了。果断更换系统。

问题2：等待时间太长

建议加入一些快速的源（在conda中称为channel），比如清华源或者阿里源，如果有校内或者工作的内网源更好，确认网络连接正常。

使用conda config --show channels

删除源使用conda config --remove channels 源名，

一般情况下，网络正常，配置时间不会太久

问题3：pytorch安装找不到匹配的版本号

ERROR: No matching distribution found for torch==1.12.1+cu102

这种情况其实是比较常见的，因为pytorch老版本中支持CUDA的版本是需要单独配置的

Previous PyTorch Versions | PyTorch  

可以在官网上找到你需要的pytorch，然后在已经激活的conda环境中使用pip直接安装

例如这样：（很好的一点就是pytorch官网上可以找到所有的对应版本信息）

建议不要使用conda install的命令，因为它基本上不会安装GPU版本的pytorch

下图为使用conda install的安装结果：（其实这个packageplan就可以看出它安装的不是torch包而是pytorch包，很奇怪）

关于pytorch cuda版本的选择问题，先试用一下nvidia-smi命令查看自己是否安装CUDA

只要这里显示的CUDA版本号大于安装的pytorch版本号就可以了

例如torch==1.12.1+cu102的CUDA版本为10.2，当前系统的CUDA版本为11.4，说明可以直接安装这个版本的pytorch

问题4：下载包到一半突然一大片红ERROR，一般包含time out字样

socket.timeout: The read operation timed out或者ReadTimeoutError: HTTPSConnectionPool(host='download.pytorch.org', port=443): Read timed out.

这个主要是网络波动导致的，也有可能是远端的服务器网络出现问题，也有可能是自己的源没配好，访问不稳定。总之是网络上的问题。

重新尝试命令即可，对于已经下载好的包，pip会读取自己的缓存cache，不会让你重复下载的。

问题5：安装某个包的时候，它自动把已经装好的pytorch删掉了，重新安装了另一个版本

这种情况一般为安装一些高级的深度学习库会遇到，例如DGL、allennlp等等

在yaml的pip列表中可以先扫一眼，看看有没有这种包，如果有就留到最后单独安装，在官网上查询对应的pytorch版本来判断应该这么安装。

如果不知道是不是这种有依赖关系的深度学习库时，可以先装pytorch，再装其他库，如果发现在下载新的pytorch版本就立刻终止，早发现早治疗。

如果最后单独安装的时候仍然pytorch版本不对，说明可能源代码根本就没用这个库，也可以在官网上选择一个高相邻版本的库进行安装，一般都可以正常运行。

如果不想使用conda install来配置整个环境，可以使用以下命令（在conda的目标环境下）

在包比较少的情况下也可以用pip install手动硬装

但记住安装完成之后需要执行一下pip check命令，看一下是不是所有的包的依赖关系都正确了

另外给出一个实用的pip和conda小技巧

pip cache purge

conda clean --all

可以清除pip管理器和conda管理器中的缓存，避免一些大型包下载的一半中断导致系统内存被占的问题，例如tensorflow和pytorch。