8102 年 10 月了，Anaconda 已经成为 Python 最广为熟知的包管理软件之一。一方面是由于数据科学行业的从业人员大量增加，另一方面则是 Anaconda 自身变得越来越好用了，本文是一篇安利帖子，用于介绍如何使用 Anaconda 来构建和管理深度学习环境（也可以用于正常的 Python 包管理）。
Anaconda 与深度学习环境
16 October 2018
anaconda支持不同的cuda和cudnn
Anaconda 下载
首先，访问下载地址进入下载页面，下载与你电脑相应的平台安装包。本将文以 Ubuntu 18.04 为例
Windows 平台安装后，使用 Anaconda Prompt 软件可以达到相似效果。
深度学习环境
在最新的 Anaconda 工具中，不单单只支持 Python 包的管理了，也开始支持多个版本的 CUDA 和 cuDNN 的管理了。即不同的虚拟环境可以安装不同的 CUDA 版本，同时，也可以使用 conda 命令自动化的安装。
但是系统的驱动程序还是需要提前安装，使用 apt 安装即可，不推荐使用 nvidia 官网下载（大概率黑屏、卡登录界面）。
# 常规方法
sudo apt install nvidia-driver-410
# Ubuntu 16.04 以上可以使用系统的设备管理来安装
# 查看所有的设备及可安装驱动版本
sudo ubuntu-drivers devices
# 自动安装推荐(Recommend)的驱动
sudo ubuntu-drivers autoinstall
TensorFlow
TensorFlow 官方的预编译安装包，最高只支持到 Python 3.6 和 CUDA 9.0 。而在 Anaconda 包中，有已经编译好的 CUDA 9.2 版本的 TensorFlow 包。
安装步骤：
# 创建一个名字为 tensorflow-env 的虚拟环境，制定 python 版本为 3.6。tensorflow 最
# 高只支持到 3.6，如果使用 3.7 版本安装会提示找不到可用软件包。
conda create -n tensorflow-env python=3.6
# 激活环境
source activate tensorflow-env
# 你会发现命令行前面带了 (tensorflow-env) 这表明是在这个虚拟环境下了
# 安装 tensorflow
# cpu 版本：conda install tensorflow
conda install tensorflow-gpu
# 需要安装的软件包中你可以发现 cudatoolkit 和 cudnn 字样，表明会自动地安装
# 选择 y 安装即可
PyTorch
PyTorch 可能由于 "Python First" 的理念，因此和 Anaconda 的集成度很高。在 PyTorch 有安装的命令。
# PyTorch 支持 Python 2.7, 3.5, 3.6, 3.7
conda create -n pytorch python=3.7
source activate pytorch
# 安装
conda install pytorch torchvision -c pytorch
# CUDA 9.2 版本需要指明
conda install pytorch torchvision cuda92 -c pytorch
第三方 Python 包安装
有了 Anaconda 后，可以使用 conda 命令来替代原来的 pip 命令，避免混淆而不知道将包安在哪里了。整个步骤有两个：
source activate env-name激活需要安装包的虚拟环境；conda install package-name安装软件包
如果不激活环境，会默认地安装在一个叫做 base 的环境，任何不激活环境的 conda 指令都是对 base 环境进行操作。