使用Conda在HPC上创建指定环境时求解卡顿的解决办法

针对你遇到的旧版本依赖包环境创建卡住的问题，以下是几个无需更新Conda核心版本的可行方案：

1. 优化环境配置文件的源与依赖声明 #

在YAML中明确指定源并设置优先级，同时对部分非核心包放宽版本限制，降低求解器的复杂度：

name: p2b1
channels:
  - defaults
  - conda-forge
channel_priority: strict
dependencies:
  - python=3.7.5
  - numpy=1.19.5
  - tensorflow-gpu=2.2.0
  - scipy>=1.5.3,<1.6
  - keras=2.4.3
  - h5py>=2.10.0,<3.0
  - pandas>=1.2.0,<1.3
  - scikit-learn>=0.24.0,<0.25
  - tqdm=4.56.0
  - matplotlib>=3.3.3,<3.4
  - numba=0.52.0
  - astropy=4.2
  - patsy=0.5.1
  - statsmodels>=0.12.1,<0.13

channel_priority: strict会让Conda优先从指定源的顺序中选择包，减少跨源依赖冲突；对部分包使用版本区间而非精确版本，给求解器更多适配空间。

2. 分阶段创建环境 #

避免一次性求解所有依赖，分步骤逐步添加包：

• 首先创建基础环境：

  conda create -n p2b1 python=3.7.5 numpy=1.19.5 tensorflow-gpu=2.2.0 -c defaults -c conda-forge
  

• 激活环境后，分组安装剩余包：

  conda activate p2b1
  conda install scipy=1.5.3 keras=2.4.3 h5py=2.10.0 -c defaults -c conda-forge
  conda install pandas=1.2.0 scikit-learn=0.24.0 tqdm=4.56.0 -c defaults -c conda-forge
  conda install matplotlib=3.3.3 numba=0.52.0 astropy=4.2 patsy=0.5.1 statsmodels=0.12.1 -c defaults -c conda-forge
  

分阶段安装能大幅降低单次求解的依赖复杂度，避免求解器陷入死循环。

3. 使用Mamba替代Conda求解器 #

Mamba是Conda的替代求解器，速度更快且对旧版本依赖的处理更高效，无需更新Conda核心即可安装使用：

• 先在base环境安装mamba：

  conda install -n base mamba -c conda-forge
  

• 用mamba创建环境：

  mamba env create -f your_environment.yml
  

Mamba的求解算法能更快处理复杂的依赖关系，解决卡住的问题。

4. 清理Conda缓存 #

缓存的旧包或损坏的索引可能导致求解异常，清理后再尝试：

conda clean -a

该命令会删除所有未使用的包和缓存索引，确保Conda从源拉取最新的依赖信息。

内容的提问来源于stack exchange，提问作者Eventual V