在深度学习开发中，不同项目（如CNN、Transformer训练、模型部署）常需隔离依赖，而克隆基础环境能快速复用通用包（如数据处理、可视化工具），避免重复配置。
一、配置base基础环境
- 创建
requirements.txt，写入通用基础包：
autopep8
numpy
pandas
tqdm
pandas
matplotlib
Pillow
seaborn
ipympl
ipykernel- 激活base环境，批量安装：
pip install -r requirements.txt二、克隆环境
1. 核心克隆命令
基于base环境克隆，直接复用所有基础包，无需重新安装：
conda create -n 环境名 --clone base--clone base：明确从base环境复制所有依赖和配置；- 环境名建议按项目命名（如
yolo_train、bert_finetune），便于区分。
2. 为什么必须克隆，不直接用base？
- 深度学习框架（TensorFlow、PyTorch等）对依赖版本要求严格，易与conda核心依赖冲突，搞崩base环境（比如TensorFlow可能篡改numpy版本，导致conda命令失效）；
- 不同项目需不同框架版本（如项目A用TF2.8，项目B用TF2.10），克隆环境可隔离依赖，互不影响；
- 环境崩了直接删了重克隆，修复成本低，不影响base和其他项目。
三、批量管理关键命令
- 激活环境：
conda activate 环境名； - 安装框架/依赖：激活后用
conda install tensorflow或pip install torch（优先conda，兼容性更好）； - 导出环境（供他人复用）：
conda env export > 环境名.yaml； - 从 yaml 文件创建环境：
conda env create -f 环境名.yaml； - 查看所有环境：
conda info --envs； - 删除无用环境：
conda remove -n 环境名 --all。
原文 https://blog.csdn.net/2301_79518550/article/details/155358021