代码之家 › 专栏 › 技术社区 › benjimin

康达·福吉:为什么康达前后矛盾地想要降级NumPy?

conda numpy python

benjimin · 技术社区 · 6 年前

我正试图选择CondaForge的软件包(考虑可用性和兼容性)。然而,康达似乎更喜欢其他渠道的核心库版本(如NumPy)。

例如,当我尝试安装一个新库时,Conda会提供降级NumPy,但如果我要求使用相同的库 和努比 ,康达不再建议降级。为什么?

$ conda install -c conda-forge beautifulsoup4
The following NEW packages will be INSTALLED:
    beautifulsoup4: 4.6.3-py36_0 conda-forge
The following packages will be UPDATED:
    numpy-base: 1.14.3-py36h0ea5e3f_1 --> 1.15.0-py36h3dfced4_0
The following packages will be DOWNGRADED:
    blas: 1.1-openblas conda-forge --> 1.0-mkl
    numpy: 1.15.1-py36_blas_openblashd3ea46f_1 conda-forge [blas_openblas] --> 1.15.0-py36h1b885b7_0
    scikit-learn: 0.19.2-py36_blas_openblasha84fab4_201 conda-forge [blas_openblas] --> 0.19.1-py36hedc7406_0
    scipy: 1.1.0-py36_blas_openblash7943236_201 conda-forge [blas_openblas] --> 1.1.0-py36hc49cb51_0
Proceed ([y]/n)? n

$ conda install -c conda-forge beautifulsoup4 numpy
The following NEW packages will be INSTALLED:
    beautifulsoup4: 4.6.3-py36_0 conda-forge
Proceed ([y]/n)? y

2 回复 | 直到 6 年前

Peter Mortensen venu 6 年前

这是因为您有两个通道(conda forge和defaults),它们都包含NumPy(及其依赖项),但可能具有不同的版本/内部版本号。

例如,假设您要安装SciPy(取决于NumPy),世界状态为:

康达锻造:NumPy v1.14和SciPy v1.0

conda install scipy ,然后Conda将从Conda forge获取SciPy(因为它是最高版本号)。在扫描SciPy的依赖项时,它会注意到默认情况下有一个更新版本的NumPy可用。认为这很有帮助,Conda将从默认值安装更新版本的NumPy,即使您已经从Conda forge安装了它。如果有NumPy依赖的包,那么必须降级才能使其工作,就这样吧。

conda install scipy numpy 或 conda config --add pinned_packages conda-forge::numpy 您将跳过图形该部分的依赖项查找,这将导致Conda解算器跳到其他通道。

这是一个相对简单的例子,肯定没有涵盖每天都会出现的所有奇怪的边缘案例。

这将解决我们一直面临的大量升级/降级问题。

benjimin 6 年前

这并不能真正解释为什么会发生这种情况,但解决办法是:

$ conda config --add pinned_packages conda-forge::numpy

rmarin 5 年前

http://conda-forge.org/docs/user/tipsandtricks.html#multiple-channels

查看您的渠道和优先级 $conda config --describe channel_priority

解决方案是添加 conda-forge 频道在您的 .condarc 文件时使用 康达锻造厂 通过以下方式打包并激活严格的通道优先级:

$ conda config --set channel_priority strict

康达尔先生

$ cat .condarc channel_priority: strict channels: - conda-forge - defaults

除了通道优先级之外,我们建议始终将软件包安装在新环境中,而不是anaconda/miniconda的根环境中。使用env可以更容易地调试包的问题,并确保根env的稳定性。