当前位置：首页 > news >正文

Miniconda Windows10版本下载和安装

news 2025/4/29 10:46:57

Miniconda Windows10版本下载和安装

步骤1：Miniconda3下载和安装

# 1、下载地址（Windows 64位）
https://repo.anaconda.com/miniconda/Miniconda3-latest-Windows-x86_64.exe

#2、双击进行安装

# 安装注意事项：
1. 安装路径建议：`C:\Miniconda3`（避免中文和空格）
2. 安装时勾选 **"Add Miniconda3 to PATH"**

勾选 "Add Miniconda3 to PATH"（自动配置环境变量）

3. 安装后验证：
conda --version

步骤 2：创建 Python 3.11.9 环境

# 使用 conda-forge 频道保证最新兼容包
conda create -n mll_env python=3.11.9 -c conda-forge

# 激活环境(# 提示符会变为 (ml_env) 开头)
conda activate mll_env

# 验证 Python 版本
python --version

步骤3：安装核心机器学习库

1.安装命令

# 传统机器学习工具链
conda install -c conda-forge -y numpy=1.26.4 pandas=2.2.1 matplotlib=3.8.2
conda install -c conda-forge -y scikit-learn=1.4.0 xgboost=2.0.3 lightgbm=4.1.0
# 深度学习框架（CPU专用版）
conda install -c pytorch -y pytorch=2.2 torchvision=0.17 torchaudio=2.2 cpuonly

# Jupyter 开发环境
conda install -c conda-forge -y jupyterlab=4.0 notebook=7.0 ipywidgets=8.1

2. 环境验证

验证脚本（保存为 check_env.py）

import sys
import platform
import numpy as np
import pandas as pd
import sklearn
import torchprint("=== 系统信息 ===")
print(f"操作系统: {platform.platform()}")
print(f"Python路径: {sys.executable}\n")print("=== 核心库版本 ===")
print(f"NumPy: {np.__version__}")
print(f"Pandas: {pd.__version__}")
print(f"Scikit-learn: {sklearn.__version__}")
print(f"PyTorch: {torch.__version__}")
print(f"CUDA可用: {torch.cuda.is_available()}\n")print("=== 深度学习测试 ===")
x = torch.randn(2, 3)
print(f"张量运算正常: {x.mean().item():.4f}")

执行脚本：python check_env.py

期望输出：

3. 环境管理技巧

常用命令速查

功能	命令
列出所有环境	`conda env list` `conda info --envs`
复制环境	`conda create --clone mll_env --name ml_backup`
删除环境	`conda remove --name mll_env --all`
导出环境配置	`conda env export > mll_env.yml`
从文件恢复环境	`conda env create -f mll_env.yml`

其他AI提示：

1、加速 Conda 操作

加速 Conda 操作
# 安装 mamba（更快的依赖解析器）
conda install -n base -c conda-forge mamba# 使用 mamba 替代 conda 命令
mamba install -c conda-forge tensorflow=2.13

2、性能优化配置

启用多线程加速

# 在代码开头添加并行设置
from sklearn import config
config.set(assume_finite=True)  # 跳过数据验证加速
config.set(working_memory=512)  # 提升大数组处理性能# 设置 NumPy 线程数
import os
os.environ["OMP_NUM_THREADS"] = "4"  # 根据 CPU 核心数调整

时间	任务目标	具体操作
Day 1	环境搭建	完成 Miniconda 安装并创建 ml_env 环境
Day 2-3	掌握 Pandas 基础	使用 Titanic 数据集练习数据清洗（`pd.read_csv()`, `df.groupby()`）

通过本指南，您将获得一个完全隔离、可复现的机器学习开发环境。建议为每个新项目创建独立环境（如 conda create -n new_project），并定期使用 conda clean --all 清理缓存空间。

验证 Conda 环境安装成功的详细步骤

1. 确认 Conda 环境激活状态

# 查看当前激活的环境（名称前应有星号 *）
conda info --envs

2. 验证 Python 版本和路径

# 检查 Python 版本
python --version

# 查看 Python 解释器路径
where python # Windows

3. 检查核心库安装状态

步骤 1：通过 Conda 查看已安装包

# 列出所有已安装的包
conda list

# 搜索特定包（如 numpy）
conda list | findstr "numpy" # Windows
conda list | grep "numpy" # macOS/Linux

步骤 2：在 Python 中导入库

# 运行 Python 交互式命令行
python -c "import numpy, pandas, sklearn, torch; print('所有库导入成功')"

4. 验证深度学习框架的硬件支持

PyTorch 验证（CPU/GPU）

import torchprint(f"PyTorch 版本: {torch.__version__}")
print(f"CUDA 是否可用: {torch.cuda.is_available()}")
print(f"当前设备: {torch.device('cuda' if torch.cuda.is_available() else 'cpu')}")

TensorFlow 验证（CPU/GPU）

import tensorflow as tfprint(f"TensorFlow 版本: {tf.__version__}")
print(f"GPU 列表: {tf.config.list_physical_devices('GPU')}")

5. 运行功能测试脚本

# 保存为 testml.py
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier# 加载数据
X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)# 训练模型
model = RandomForestClassifier(n_estimators=50)
model.fit(X_train, y_train)# 验证准确率
accuracy = model.score(X_test, y_test)
print(f"模型准确率: {accuracy:.2%}")