本帖最后由 lulugl 于 2024-12-9 14:23 编辑

选择安装版本：
可以选择安装 Anaconda 或 Miniconda，Anaconda 包含了大量的科学计算库和工具，而 Miniconda 仅包含 Conda 包管理器及其依赖，体积更小.
下载安装脚本：如果选择安装 Anaconda，可使用curl命令下载适合 arm 架构的 Anaconda 安装脚本，如curl -o https://repo.anaconda.com/archive/anaconda3-2023.09-0-linux-aarch64.sh；若选择 Miniconda，则下载对应的 Miniconda 安装脚本，如curl -o https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-aarch64.sh.
我选择安装Miniconda。在/home/下面新建下载目录，并下载好文件

【安装】

执行bash Miniconda3-latest-Linux-aarch64.sh
按照屏幕上的提示完成安装，包括阅读并接受许可协议、选择安装目录等.

如上图所示，在对话框中如果需要输入yes/no的均输入yes，如果是默认的就输入回车键就行了。
如果出现到这里说明就安装成功了：

【初始化 conda】：安装完成后，需执行eval "$($HOME/minconda3/bin/conda shell.bash hook)"来初始化 conda 环境 。
然后输入 conda init 激活环境，使用conda --versiony显示如下，说明安装完成了。
【安装conda的必要性】
环境管理方面隔离项目环境：
在进行软件开发、数据分析、机器学习等多种任务时，不同的项目可能依赖于不同版本的软件包和库。例如，项目 A 可能需要 Python 3.7 以及特定版本的 NumPy 和 pandas，而项目 B 需要 Python 3.9 和其他版本的相关库。Conda 允许你为每个项目创建独立的环境，就像一个个独立的 “小世界”，在这些环境中可以安装和管理特定版本的软件包，避免不同项目之间的软件包冲突。
方便环境复制和迁移：
当你需要与团队成员共享项目或者在不同的设备上部署项目时，Conda 环境可以轻松地进行复制和迁移。你只需要将环境配置文件（通常是一个.yml文件）共享给他人或者复制到其他设备上，然后使用conda env create - f environment.yml命令就可以快速地在新设备上重建相同的开发环境，确保项目在不同环境下的一致性。
软件包管理方面广泛的软件包支持：Conda 拥有庞大的软件包仓库，涵盖了从编程语言运行时（如 Python、R 等）到各种科学计算、数据处理、机器学习、深度学习工具等众多类型的软件包。例如，除了常见的 Python 库，还包括像 TensorFlow、PyTorch 等深度学习框架，以及用于生物信息学的 Biopython 等各种专业领域的工具包。简化软件包安装过程：通过 Conda 安装软件包非常方便。以安装 Python 库为例，不需要像传统方式那样手动下载软件包、处理依赖关系、进行编译（在某些情况下）等复杂步骤。只需使用conda install package_name命令，Conda 就会自动处理软件包的下载、依赖解析和安装，大大节省了时间和精力。
版本管理灵活：
可以轻松地安装和切换软件包的不同版本。比如，如果你发现某个项目在某个软件包的新版本中出现问题，你可以使用 Conda 快速地将该软件包降级到之前稳定的版本，通过conda install package_name = version_number这样的命令来指定版本进行安装。
跨平台支持：
Conda 在 Windows、Linux 和 macOS 等多种主流操作系统上都能很好地工作。这意味着无论你在开发过程中使用何种操作系统，或者需要将项目部署到不同操作系统的服务器或设备上，都可以使用 Conda 来管理环境和软件包。例如，你在 Windows 上开发的机器学习模型，通过 Conda 管理环境和软件包，很容易将其部署到 Linux 服务器上进行训练或推理，因为 Conda 可以确保在不同平台上环境和软件包的一致性。
开源和社区支持：
Conda 是开源的，这意味着它的源代码是公开的，有大量的开发者和用户参与到其开发和改进过程中。社区提供了丰富的文档、教程和问题解答资源。如果你在使用 Conda 过程中遇到问题，可以很容易地在社区论坛、Stack Overflow 等平台上找到解决方案或者向其他用户求助。同时，开源的特性也使得 Conda 能够不断更新和优化，适应新的技术需求和软件包的发展。