AI | Ubuntu 26.04 安装 Miniconda3 实战：搭建 GPU 机器学习环境

5.Anaconda 工具安装

描述：之前提到，在进行机器学习或者AI项目开发中，为了解决不同项目对于特定的 Python 依赖问题，特别是在 Github 中一些开源的AI项目需要拉取到本地进行测试验证时，可以快速复刻研发人员的环境，基于此需要作者将引入 Anaconda （开源的Python发行版和包管理器），下面作者将继续在Ubuntu 26.04 工作站中进行 Anaconda 工具包环境安装实践，给初学者安装使用 Anaconda 做一个指引。

废话不多说，直接进入正题。

介绍 Anaconda

什么是 Anaconda

Anaconda （英/_ˌænəˈkɒndə_） [https://www.anaconda.com] 是一个开源的Python发行版和包管理器，用于数据科学、机器学习和大数据处理，由Continuum Analytics开发。它包含了conda、Python等超过1500个科学包及其依赖项，简化了安装和管理这些包的过程。Anaconda 可以在Windows、macOS和Linux上运行，提供了一个方便的环境来进行数据分析和计算。

初入门的小伙伴，在按照网上 Anaconda  相关文章进行安装时，会发现有的文章是安装的  Miniconda 而不是 Anaconda，那它们之间有何关系，或者说有何差异呢？

简单来说：Miniconda3是Anaconda3的精简版。它们的核心区别在于安装包大小和预装软件的数量，但在环境管理这个核心功能上完全一致。

为了方便看友们快速区别对比，将其整理成了一个表格这样会更加直观。

怎么选？给你两个明确的建议

如果你是新手，想快速开始：选 Anaconda3。它一次性装好了绝大多数你日后会用到的库（比如NumPy, Pandas, Matplotlib等），省去了自己安装的麻烦，还有图形界面，对新手很友好。

如果你有一定经验，或想节省空间：选 Miniconda3。你完全可以只装这一个，然后“按需安装”。比如当需要PyTorch时，再通过conda install命令安装即可。这样你的基础环境非常干净，不会因为预装了太多用不上的库而占用大量空间。

无论你选择哪一个，它们的核心功能——使用Conda创建和管理独立的Python虚拟环境—是完全相同的，也就是说，用Miniconda你依然可以为每个项目创建独立的环境，避免不同项目之间的依赖冲突，这一点和Anaconda没有区别。

举个例子，创建和激活环境的命令都是一样的：

conda create -n my_project python=3.14
conda activate my_project

这里作者为了节约磁盘空间只安装需要的包，选择 Miniconda3 轻量级的 Anaconda3，也方便我们在后续的学习中循序渐进。

安装 Miniconda3

以下是将 Miniconda 安装到指定目录的详细步骤，适用于 Ubuntu 26.04 LTS 操作系统。

步骤 01.使用 wget 或 curl 下载最新版本的 Miniconda 安装脚本，其它版本访问 https://repo.anaconda.com/miniconda/ 。

mkdir /opt/soft/AIDEV;cd /opt/soft/AIDEV
wget -c https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh

步骤 02.运行安装脚本并通过 -b（批处理模式，无需手动确认） 和 -p 参数指定安装路径：

# 赋予执行权限
sudo chmod +x Miniconda3-latest-Linux-x86_64.sh

# 执行安装
sudo bash /opt/soft/AIDEV/Miniconda3-latest-Linux-x86_64.sh -b -p /opt/miniconda3

步骤 03.配置环境变量，修改/etc/environment文件，将 Miniconda 的bin目录添加到PATH首部中（否则无法直接使用conda命令）

# 系统全局环境
$ sudo vim /etc/environment
PATH="/opt/miniconda3/bin:/usr/local/sbin:/usr/local/bin:/usr/sbin:/usr/bin:/sbin:/bin:/usr/games:/usr/local/games:/snap/bin"
source /etc/environment

# 或者个人环境
echo 'export PATH="/opt/miniconda3/bin:$PATH"' >> ~/.bashrc
source ~/.bashrc

# 验证 conda 版本，1. 输出类似版本信息表示安装配置成功。
weiyigeek@aidev:~$ conda --version
conda 26.5.3

步骤 04.考虑到有些机器学习依赖包在国外，国内拉取时受环境影响，可能拉取较慢，所以配置清华源为例，执行下述命令后将在当前用户家目录下，生成配置 ~/.condarc 文件。

# 1. 查看当前所有 channel
conda config --show channels
# 2. 移除 defaults
conda config --remove channels defaults
# 3. 确保清华镜像的优先级正确
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/
# 4. 设置 conda 显示 channel 地址，方便调试
conda config --set show_channel_urls yes
# 5. 清除缓存，重新尝试
conda clean -i
# conda create -n test python=3.14
# 6.查看生成的配置文件
$ cat ~/.condarc
channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - defaults
show_channel_urls: true

步骤 05.使用 conda 创建测试环境，用于测试 CUDA Toolkit 以及 cuDNN 库是否安装成功。

# 测试项目环境创建
conda create -n test python=3.14
conda activate test
Do you accept the Terms of Service (ToS) for https://repo.anaconda.com/pkgs/main?
[(a)ccept/(r)eject/(v)iew]: a  # 输入 a
Do you accept the Terms of Service (ToS) for https://repo.anaconda.com/pkgs/r?
[(a)ccept/(r)eject/(v)iew]: a # 输入 a
2 channel Terms of Service accepted
Retrieving notices: done
Channels:
 - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda
 - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
 - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
 - defaults
Platform: linux-64
Collecting package metadata (repodata.json): done # 等待一会
.....
Proceed ([y]/n)? y  # 允许
Downloading and Extracting Packages:

# 创建完毕所有依赖包在用户家目录下 .conda 中。 
$ ls /home/weiyigeek/.conda
aau_token  aau_token_host  environments.txt  envs  pkgs  tos

步骤 06.验证 conda 测试项目环境，并使用 pip3 安装 torch torchvision  包用于验证 cuDNN 环境是否安装成功。

weiyigeek@aidev:~/.conda$ python  --version
Python 3.14.6
weiyigeek@aidev:~/.conda$ pip3  --version
pip 26.1.2 from /opt/miniconda3/lib/python3.14/site-packages/pip (python 3.14)

# 临时使用清华镜像安装
weiyigeek@aidev:~/.conda$ pip3 install torch torchvision 
    --index-url https://download.pytorch.org/whl/cu132 
    --extra-index-url https://pypi.tuna.tsinghua.edu.cn/simple 
    --timeout 600

温馨提示：若安装过程在下载 cuda-toolkit 依赖时卡住了，可能是因为连接 pypi.nvidia.com 超时，解决办法就在上面临时使用清华镜像安装、

步骤 07.编写测试 Python 文件验证之前安装的 CUDA 与 cuDNN 环境是否正常。

cd ~/Project/Ai
tee Test_CUDA_cuDNN.py <<'EOF'
import torch
from torch.backends import cudnn
print("#### 验证 CUDA 环境 ####")
print("PyTorch版本：", torch.__version__)
print("CUDA是否可用：", torch.cuda.is_available())
print("CUDA版本：", torch.version.cuda if torch.cuda.is_available() else "None")
if torch.cuda.is_available():
    print("GPU设备：", torch.cuda.get_device_name(0))
    print("GPU数量：", torch.cuda.device_count())

print("")
print("#### 验证 cuDNN 环境 ####")
print("cuDNN是否可用：", cudnn.is_available())
print("cuDNN版本：", torch.backends.cudnn.version())
EOF

# 运行脚本，若出现下述内容表示环境正常。
weiyigeek@aidev:~/Project/Ai$ python Test_CUDA_cuDNN.py
#### 验证 CUDA 环境 ####
PyTorch版本： 2.13.0+cu132
CUDA是否可用： True
CUDA版本： 13.2
GPU设备： NVIDIA GeForce RTX 3060
GPU数量： 1  

#### 验证 cuDNN 环境 ####
cuDNN是否可用： True
cuDNN版本： 92000

步骤 08.若使用一段时间后 Miniconda 版本过旧，可直接运行下述命令来更新 conda。

conda update -n base conda

使用 Anaconda

接下来作者将演示在 Anaconda 中安装 Jupyter Notebook，并通过Ubuntu 26.04 LTS XFCE 桌面环境进行使用 Jupyter Notebook。

操作步骤

步骤 01.激活的之前创建的test虚拟环境下，输入以下命令安装 Jupyter Notebook：

weiyigeek@aidev:~$ cd Project/Ai/
weiyigeek@aidev:~/Project/Ai$ conda init
weiyigeek@aidev:~/Project/Ai$ source ~/.bashrc
(base) weiyigeek@aidev:~/Project/Ai$ 
(base) weiyigeek@aidev:~/Project/Ai$ conda activate test
(test) weiyigeek@aidev:~/Project/Ai$ conda install jupyter notebook

步骤 02.安装完成后，输入 jupyter notebook 命令启动 Jupyter Notebook,
默认情况下，Jupyter Notebook 会在浏览器中自动打开。如果没有自动打开，可以在浏览器中输入 http://localhost:8888/tree 来访问。

步骤 03.在  Jupyter Notebook 界面中打开 Terminal 执行之前的 python Test_CUDA_cuDNN.py 命令执行后将如下图所示：

步骤 04.另外，单击“新建”下拉列表，使用您安装的Python版本创建一个新笔记本（Hello.ipynb），之后在 netbook 中输入以下代码，保存你的笔记本，按 Shift + Enter 执行。

至此，本章节从介绍 Anaconda 到安装 Miniconda3 ，并验证之前安装的 CUDA 与 cuDNN 环境是否正常，使用 Miniconda3 安装 Jupyter Notebook ，这也是机器学习以及深度学习的一些前置的基础环境，也是各位看有必须要掌握的基本技能。

Docker Model Plugin 是 Docker 提供的一种工具，用于在本地环境中轻松管理和运行 AI 模型。它通过与 Docker Desktop 集成，支持模型的拉取、运行、发布等操作，并提供 OpenAI 兼容的 API 接口，适合开发者快速构建生成式 AI 应用。

Docker Rootless Extras 是一个工具集，允许用户在没有 root 权限的情况下运行 Docker。它通过使用用户命名空间和其他技术，实现 Docker 的功能，而无需 root 权限，从而提高了安全性。

温馨提示：若文章代码块中存在乱码或不能复制，请联系作者，也可通过文末的阅读原文链接，加入知识星球中阅读，原文链接：https://articles.zsxq.com/id_8no2nl5cm9dh.html

学习：作者知识星球

『 全栈工程师修炼指南』星球，主要涉及全栈工程师（Full Stack Development）实践文章，持续更新包括但不限于企业SecDevOps和网络安全等保合规、安全渗透测试、编程开发、云原生（Cloud Native）、物联网工业控制（IOT）、人工智能Ai，从业书籍笔记，人生职场认识等方面资料或文章。