初步接触深度学习，在配置环境方面出了点问题，运行 conda install 命令时，卡在 "Solving environment: \ "。

网上搜索发现，

一般可能的原因就是以下几种

1. 环境解析耗时：

   • Conda 在安装包时需要解析当前环境，并解决依赖冲突。这一过程可能非常耗时，特别是当你有多个已安装的包或依赖关系复杂时。
   • 如果网络速度较慢或存在代理问题，这一过程会进一步延长。

2. 网络问题：

   • 如果网络不稳定或者访问 Anaconda 仓库（或 PyTorch、NVIDIA 仓库）速度较慢，可能导致解决环境的过程非常缓慢。

3. 缓存问题：

   • Conda 的包缓存可能存在损坏，或者某些索引文件需要更新，导致解析时间增加。

4. 依赖冲突：

   • 如果你试图安装的包（例如 pytorch==2.4.0 和 pytorch-cuda=11.8）在当前环境中与已有的包存在冲突，Conda 会尝试反复寻找可行的解决方案，导致过程变得极为缓慢。

运行时间参考

• 正常情况下，解决环境的时间取决于依赖复杂性和网络状况：
  • 简单依赖关系：1~5 分钟。
  • 复杂依赖或网络慢：可能需要 10~30 分钟。
• 如果超过 30 分钟仍未完成，大家可以尝试下面解决方法。

解决办法

1. 加速解析过程

• 添加 --no-deps 选项（如果确信依赖关系没有问题）：

  conda install pytorch==2.4.0 torchvision==0.19.0 torchaudio==2.4.0 pytorch-cuda=11.8 -c pytorch -c nvidia --no-deps

  比如我在我的安装指令后面加上此选项，就会跳过依赖检查，直接安装指定的包，速度会快很多。

2. 更新 Conda 和清理缓存

• 确保你的 Conda 是最新版本：

  conda update conda

• 清理缓存：

  conda clean --all

3. 使用 Mamba 替代 Conda

Mamba 是 Conda 的一个更快的替代工具，用于环境管理和包安装，特别适合解决 Conda 缓慢的问题。

• 安装 Mamba：

  conda install mamba -n base -c conda-forge

• 使用 Mamba 安装包：

  mamba install pytorch==2.4.0 torchvision==0.19.0 torchaudio==2.4.0 pytorch-cuda=11.8 -c pytorch -c nvidia

4. 检查网络

• 测试网络连接，确保能够访问 Conda 和 PyTorch 仓库：

  ping repo.anaconda.com ping pypi.org

• 如果有网络问题，可以尝试配置国内镜像（如清华或阿里云）：
  • 清华 TUNA Conda 镜像：

    conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main conda config --set show_channel_urls yes

5. 使用全新环境

• 如果依赖冲突导致解析过慢，建议创建一个新的 Conda 环境并重新安装。可以参考下文的安装方式

VS Code 中如何创建一个专门的虚拟环境(深度学习项目)_vscode怎么给项目创建虚拟环境-CSDN博客