Anaconda 介紹與環境安裝

對剛踏入程式設計這個領域的初學者，最常遇到的挑戰之一就是「環境設定」。不同專案可能需要不同版本的 Python 或套件，手動管理這些相依性不僅繁瑣，且容易發生衝突，導致程式無法順利執行。

簡單來說，Python package 是一門「程式語言」的安裝包，而 Anaconda 則是一個「懶人工具箱」。

詳細對比：Python package vs. Anaconda

1. 基本系統與硬體需求

• 作業系統：Windows 10/11、macOS 10.15+（支援 Apple Silicon 與 Intel Mac）、或 Linux（推薦 Ubuntu 20.04/22.04 LTS）。(這裡以 Windows 系統為範例)
• 記憶體 (RAM)：至少需要 8GB，但強烈建議 16GB 或 32GB 以上，以免在載入資料集或大型模型時發生記憶體不足而崩潰。
• 儲存空間 (硬碟)：建議使用 SSD，有助於加速模型載入。Anaconda 本身約佔用 3~5 GB，但後續的 PyTorch 框架、相關依賴包，以及動輒數 GB 的 AI 模型與資料集，通常會輕易吃掉 20GB 到 50GB 以上的可用空間。
  (參考資料：Anaconda 官方系統需求)

2. 顯示卡 (GPU) 與驅動程式前置準備

AI 運算極度依賴 GPU，不同的顯示卡廠牌有完全不同的前置準備。在安裝 Anaconda 之前，請先確保系統已針對顯示卡完成以下設定：

• NVIDIA 顯示卡 (範例)
  • 前置準備：您只需到官網下載並安裝最新的 NVIDIA 顯示卡驅動程式即可。
  • 注意：現在不需要手動安裝全套的 CUDA Toolkit 或 cuDNN，因為透過 Anaconda 執行 PyTorch 安裝指令時，會自動將相容的 CUDA 函式庫一併下載下來。
• Intel 顯示卡 (Arc 獨立顯卡)
  • 前置準備：
    1. BIOS 設定：請務必進入主機板 BIOS 開啟 Resizable BAR 功能。這對 Intel Arc 系列的運算效能至關重要。
    2. 驅動程式：請更新至最新的 Intel Graphics WHQL 驅動程式。
  • 注意：標準版的 PyTorch 無法直接讓 Intel GPU 進行加速。後續在 Anaconda 中建立環境時，除了 PyTorch，還必須額外安裝 Intel Extension for PyTorch，才能順利進行運算。
• Apple Silicon (Mac M1/M2/M3 等)
  • 前置準備：確保您的作業系統更新至 macOS 12.3 或更新版本。
  • 注意：Apple 的硬體加速依賴於 Metal，這已經內建在最新的 PyTorch macOS 版本中，無須額外安裝特殊驅動程式。
• AMD 顯示卡
  • 前置準備：主要在 Linux 環境下支援較佳，需要安裝 ROCm 軟體平台。Windows 下的支援度與相容性較具挑戰性，不建議使用。

(參考資料：PyTorch 官方本地安裝指南)

3. 安裝 Anaconda (Windows GUI Installer)

使用 Anaconda 安裝檔時，有幾個選項設定是避免日後系統環境衝突的關鍵：

1. 雙擊執行您的 Anaconda 安裝檔。
2. 一路點擊「Next」並在版權聲明頁面點選「I Agree」。
3. 在選擇安裝類型 (Install For) 時，建議選擇 「Just Me」（僅為目前使用者安裝）。
4. 選擇安裝路徑（通常保持預設即可），點擊「Next」。
5. 在 Advanced Installation Options (進階安裝選項) 頁面中：
   • ⚠️ 不要勾選「Add Anaconda3 to my PATH environment variable」。如果勾選，可能會與您電腦中既有的其他 Python 版本產生衝突。
   • 建議勾選「Register Anaconda3 as my default Python 3.x」。
6. 點擊「Install」等待安裝完成，最後點擊「Finish」。

4. 建立 Conda 虛擬環境

安裝完成後，我們需要建立一個專屬的「虛擬環境」，讓套件獨立運作。

一、 CLI 方法：使用終端機

這是工程師常用的方式，因為速度快，支援透過腳本設定。

1. 打開 Windows 的「開始」選單，搜尋並開啟 「Anaconda Prompt」（請注意，要使用這個特製的終端機，而不是系統內建的 cmd）。
2. 在終端機內輸入以下指令，建立一個名為 test_env (您可以隨意更改名稱) 且 Python 版本為 3.11 的虛擬環境：

conda create -n test_env python=3.11 -y

3. 建立完成後，輸入指令以進入該環境：

conda activate test_env

• 成功後，您會看到命令列最前面的 (base) 變成了 (test_env)

二、 GUI 方法：使用 Anaconda Navigator

適合喜歡視覺化操作的人。

1. 開啟程式：打開 Anaconda Navigator。
2. 進入環境分頁：點擊左側欄位中的 "Environments"。

3. 點擊建立：在中間面板底部點擊 "Create" 按鈕。
4. 設定參數：
   • Name: 輸入你的環境名稱（例如 my_web_project 或 test_env）。
   • Packages: 勾選 Python 並選擇你需要的版本（通常選最新穩定版即可）。

5. 自動安裝：點擊 "Create"，Navigator 會幫你跑進度條，完成後你就會看到新環境出現在清單中。

5. 在虛擬環境安裝 PyTorch 與 CUDA 支援

我們可以直接透過 Anaconda 安裝支援 GPU 加速的 PyTorch 版本。最方便的是，Conda 會自動幫您打包下載並安裝對應的 CUDA 函式庫，不需要再跑去 NVIDIA 官網另外裝 CUDA Toolkit。這個階段一樣有 GUI 方法和 CLI 方法，但個人推薦以 CLI 操作為主，較為迅速與方便。

一、 CLI 方法

這裡先演示 pip 安裝的方法 (建議)，也附上 Conda 安裝的版本 (因為 Conda 的依賴解析器在面對龐大的深度學習套件時，常常會引發版本衝突；而 pip 直接下載官方編譯好的 Wheel (whl) 檔案，速度更快且更不容易出錯。)

A. pip inatall

官方提供的 pip 安裝包（Wheel）已經內建了對應的 CUDA 庫，因此不需要額外去 NVIDIA 官網安裝 CUDA Toolkit。

1. 請確認您的終端機目前已進入虛擬環境（命令列前方顯示 (test_env)）。
2. 輸入以下官方提供的 pip 安裝指令（此處以 CUDA 12.4 版本為例）：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124

3. 等待進度條跑完，pip 會自動為您下載並安裝 PyTorch 主程式及其所需的 CUDA 執行時環境。

B. conda install

請在 Anaconda Prompt（確保已在 test_env 環境下）輸入這串官方提供的安裝指令：

conda install pytorch torchvision torchaudio pytorch-cuda=12.4 -c pytorch -c nvidia -y

• 安裝完畢會顯示上圖畫面

二、 GUI 方法

勾選下列套件，接著一路按apply就會自動安裝完成。

⚠️ 注意：使用 GUI 方法的安裝方式會是 Conda ，需考慮日後套件衝突問題。

三、 驗證安裝是否成功

安裝完畢後，可以透過以下方法確認 PyTorch 有沒有成功抓到您的 GPU，在 Anaconda Prompt 中輸入 python 按 Enter (或是直接在 Navigator 對應虛擬環境的頁面點擊播放鍵 >> "Open with python" ) ，進入 Python 互動模式。

import torch
print("PyTorch ver:", torch.__version__)
print("CUDA:", torch.cuda.is_available())
if torch.cuda.is_available():
    print("GPU:", torch.cuda.get_device_name(0))

• 如果螢幕輸出顯示 CUDA: True，並且成功印出裝置的 GPU 型號，那就代表您的本地環境已經建置完成
• 測試完畢後，輸入 exit() 或 Ctrl + Z + Enter 即可離開 Python 互動模式。

四、 進階驗證 (執行一個簡單的張量運算) (optional)

可以嘗試建立一個張量並將其移動到 GPU 上，以確認整個流程是通順的。可以直接用python互動模式輸入或存成檔案並執行 python <your_file>.py

import torch
if torch.cuda.is_available():
    device = torch.device("cuda")
    print("Using CUDA (NVIDIA GPU)")
elif torch.backends.mps.is_available():
    device = torch.device("mps")
    print("Using MPS (Apple Silicon GPU)")
else:
    device = torch.device("cpu")
    print("GPU not available, using CPU")

x = torch.rand(5, 3).to(device)
print(x)

• 如果這段程式碼能順利執行，並根據你的硬體顯示對應的訊息與一個 5x3 的隨機張量，就代表你的 PyTorch 環境已經準備就緒

5. 終端機環境潔癖設定

預設情況下，當使用者安裝完 Anaconda 並將其初始化後，每次打開終端機（Terminal、命令提示字元或 PowerShell），Anaconda 都會強制且自動地進入它預設的 (base) 環境，會看到命令列前面永遠掛著一個 (base)，這代表當前終端機的 Python 指令與套件路徑，都已經被 Anaconda 接管了。

對於習慣保持系統環境乾淨的人來說，自動載入 (base) 環境可能會帶來以下困擾：

1. 指令衝突：如果您在終端機還要執行其他非 Python 的工作，或是系統原本就有內建的 Python，強制掛載 Anaconda 環境可能會導致路徑混亂或指令呼叫錯誤。
2. 非預期的全域安裝：忘記切換環境時，會不小心把套件全部安裝到 (base) 裡面，久了會讓預設環境變得非常髒且容易發生版本衝突。

補充說明：

關閉 Anaconda 預設環境自動啟動 為了避免 Anaconda 影響系統原有的終端機環境，建議關閉 (base) 環境的自動啟動機制。

1. 請在 Anaconda Prompt 執行以下指令：

conda config --set auto_activate_base false

2. 設定完成後，未來開啟終端機將不會自動載入任何虛擬環境。當您需要執行專案時，請養成手動啟動專屬環境的習慣： conda activate test_env

參考資料

1. Anaconda Documentation
2. EAI 2025 Fall Preliminaries