介绍
本篇介绍如何让linux在不激活任何环境时，调用python命令直接使用到conda的某个子环境。
首先说明本篇文章的工作原由，以及踩过的坑。
在之前的工作中，一般进行python开发都会使用conda进行包管理，以达到隔离多个环境的目的。例如：
- 同时创建python2和python3环境（一些旧代码和旧工具会使用python2开发，而新的代码一般采用python3）
- 同时创建python3.6和python3.7环境（TensorFlow的低版本支持python3.5或3.6，而其他工具可以支持python3.7）
- 同时创建numpy1.14和numpy1.16环境（某些更高级的库只支持低版本的工具，另一些支持高的）
在这些环境隔离的任务中，conda完成的很好。唯一麻烦的地方在于每次都需要使用命令conda activate {env_name}来激活不同的环境。
问题来了，在一些场景中，外部程序需要调用服务器上的api，又无法做出conda activate的命令，命令是直接使用python xxx.py，这时候只能使用linux自带的python命令，或者conda的base环境的python命令。所以需要将环境搭建在linux的python或者conda的base。搭建过程中，遇到的问题来自两个方面：
- linux自带的python在搭建深度学习环境（tf-gpu、opencv、scikit、scipy等）时，tf-gpu装成功了，但是在实际调用的时候，无法成功调到gpu，程序还是使用cpu在跑，同时报了找不到共享库（libxxx.so.10.0之类）的错误（或者warning，因为没有停止运行）。而在用conda的时候，安装tf-gpu是可以正常跑通的，所以可以基本确认，NVIDIA、cuda、cudnn安装应该没有问题。（这里有可能是cuda版本和原生pip不匹配的问题，cuda用的是10.1，而非10.0，这里没有用10.0试，所以不知道更换到10.0会不会解决这个问题。但是conda的tf-gpu是可以用cuda 10.1跑的）
- 将tf直接安装到conda的base环境中时，首先会将一些旧包升级（例如numpy，例如certificate证书），而这个升级的过程是先删除旧的，再装新的。删除的这一步时，conda会将它本身一些底层依赖也删掉，最终结果就是conda崩了，报错为
No module named 'conda，这时候先把旧的anaconda删了，然后重新安装Anaconda即可解决，之前旧的库就都没了。
所以以上两个思路：将环境搭建在linux默认的python或者conda的base 是不行的。
解决方法
解决方法：将linux默认的python做软链接，链接到conda的子环境。
conda创建子环境
创建环境：conda create -n child_env python=3.6
切换环境：conda activate child_env
安装pytorch：conda install pytorch torchvision cudatoolkit=10.0
安装tensorflow：conda install tensorflow-gpu
安装其他包：conda install xxx,xxx,...
制作软链接
先将老的链接备份：mv /usr/bin/python /usr/bin/python22
再做链接：ln -s /root/anaconda3/envs/child_env/bin/python3 /usr/bin/python
第一个路径需要改成自己的anaconda路径，child_env改成自己的环境名，第二个路径不用改。
测试
先关掉conda环境：conda deactivate
再运行：python xxx.py
缺陷
用这个方法，虽然解决了直接调用python命令的问题。但是引入了新的问题。
- 首先要在.bashrc里去掉anaconda的默认激活，否则python调的是conda的base，而不是child_env
- python可以软链接，但是我做pip软链接时
ln -s /root/anaconda3/envs/child_env/bin/pip /usr/bin/pip，pip list无法直接显示child_env的环境，判定是失败了。 - 所以如果需要装包的时候，要把.bashrc的conda先激活：取消export的注释，source .bashrc，conda activate child_env，conda install。然后再注释.bashrc的anaconda，source .bashrc。
