Spring_couplet_generation 从零开始环境配置Windows系统下的Python与CUDA安装你是不是也遇到过这种情况看到别人用AI模型生成对联、写诗觉得特别酷自己也想动手试试。结果第一步——搭环境就被卡住了。网上教程要么是Linux的要么版本对不上要么就是一堆看不懂的命令行让人头大。别担心今天这篇就是为你准备的。咱们不聊复杂的理论就手把手带你在Windows电脑上把运行AI模型比如生成对联的模型所需的基础环境——Python和CUDA一步步装好。整个过程就像拼乐高跟着步骤走准没错。准备好了吗咱们开始。1. 准备工作理清思路事半功倍在动手安装之前我们先花两分钟搞清楚要装哪些东西以及它们之间的关系。这样后面遇到问题你才知道是哪一环出了错。简单来说我们要搭建一个能让AI模型特别是基于PyTorch框架的模型在你的Windows电脑上跑起来的“地基”。这个地基主要由三部分组成Python这是“工作语言”。绝大部分AI相关的代码和工具都是用Python写的所以它是基础中的基础。CUDA这是“加速引擎”。如果你的电脑有NVIDIA的独立显卡GPUCUDA就能让显卡来帮忙计算速度比只用CPU快几十甚至上百倍。PyTorch这是“核心工具箱”。它是一个非常流行的深度学习框架我们后面要运行的模型大概率就是基于它构建的。我们需要安装支持GPU版本的PyTorch让它能和CUDA“握手”合作。它们的协作关系可以这样理解Python提供了一个工作台PyTorch是放在工作台上的高级工具箱而CUDA则是给这个工具箱接上了一个电动马达GPU让里面的工具计算运转得更快。搞清楚这个咱们就按顺序从Python开始装起。2. 第一步安装Python 3.8Python是起点版本不能太老。我们选择3.8以上的版本兼容性好。2.1 下载Python安装包打开浏览器访问Python官网的下载页面https://www.python.org/downloads/。页面会自动推荐最新版本。我建议不要装最新的比如3.12、3.13因为有些AI库可能还没适配。最稳妥的是选择Python 3.8.x 到 3.10.x之间的一个版本。比如点击“Python 3.10.11”这个链接。在打开的版本详情页一直往下拉找到“Files”区域。我们需要的是Windows安装包。根据你的系统类型选择如果你的电脑是64位系统现在绝大多数都是下载Windows installer (64-bit)。如果是非常老的32位电脑才选择32位的。2.2 安装Python并配置环境变量下载完成后双击运行安装程序。这里有几个关键步骤要注意勾选“Add Python to PATH”这是最重要的一步务必在安装界面最下方把这个选项打上勾。它的作用是把Python的安装路径添加到系统环境变量这样以后在命令行里直接输入python就能找到了。如果不勾选后续会非常麻烦。选择安装方式建议选择“Customize installation”自定义安装这样可以确保安装pipPython的包管理工具和文档。选择安装路径在下一步的自定义界面你可以修改安装路径。默认是装在C:\Users\你的用户名\AppData\Local\Programs\Python\Python310这样的位置。你可以改成简单的比如D:\Python310方便自己查找。记住这个路径。高级选项确保“Install for all users”和“Associate files with Python”等选项根据你的需要选择然后点击“Install”开始安装。安装完成后我们需要验证一下。2.3 验证Python安装按下键盘上的Win R键输入cmd然后按回车打开命令提示符一个黑窗口。在命令行里输入以下命令然后按回车python --version如果安装成功你会看到类似Python 3.10.11的输出。再输入pip --version你会看到pip的版本信息。如果这两条命令都成功显示了版本号恭喜你Python安装成功3. 第二步为pip配置国内镜像源pip是Python的“应用商店”我们用它来安装各种库。但默认的“商店”服务器在国外下载速度可能很慢甚至失败。我们可以把它换成国内的“镜像站”速度飞快。方法很简单只需要在命令行执行一条命令以后每次安装都从这个镜像站下载pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple这里用的是清华大学的镜像源你也可以换成阿里云 (https://mirrors.aliyun.com/pypi/simple/) 或中科大 (https://pypi.mirrors.ustc.edu.cn/simple/) 的选一个你觉得快的就行。执行后没有报错就是成功了。你可以用pip install试一下安装一个小库比如pip install numpy感受一下飞快的速度。4. 第三步安装CUDA和cuDNNGPU加速核心这一步是为有NVIDIA独立显卡的电脑准备的。如果你的电脑没有N卡或者你暂时只想用CPU跑模型速度会慢很多可以跳过这一步直接看第五步安装CPU版的PyTorch。4.1 确认你的GPU型号和驱动在桌面空白处点击右键选择“NVIDIA 控制面板”如果没有可能你的显卡不是NVIDIA的或者驱动没装好。在左下角点击“系统信息”在弹出的窗口中查看“组件”选项卡。找到“3D设置”下的“NVIDIA CUDA”项这里会显示你当前显卡驱动支持的最高CUDA版本。记下这个数字比如“CUDA 12.4”。重要原则我们待会儿要安装的CUDA Toolkit版本必须小于或等于这个驱动支持的版本。例如驱动支持CUDA 12.4那么你可以安装CUDA 12.1, 12.2, 12.3, 12.4但不能装12.5。4.2 根据PyTorch需求选择CUDA版本别急着下载最新版的CUDA。我们安装CUDA是为了让PyTorch能用上GPU。所以应该先去PyTorch官网看看它推荐或支持哪个版本的CUDA。打开PyTorch官网的安装页面https://pytorch.org/get-started/locally/。在安装选择器里你会看到类似这样的命令pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121注意命令末尾的cu121这代表这个PyTorch版本是为CUDA 12.1编译的。这就是我们的目标CUDA版本。结论假设PyTorch当前稳定版支持CUDA 12.1那我们就去安装CUDA 12.1.x版本。4.3 下载并安装CUDA Toolkit访问NVIDIA CUDA历史版本下载页面https://developer.nvidia.com/cuda-toolkit-archive。找到你需要的版本比如CUDA 12.1.x点击进入。选择操作系统Windows、架构x86_64、版本Win10或Win11、安装类型推荐选择“exe [local]”本地安装包。然后点击下载基础安装包。下载完成后双击运行安装程序。安装时选择“精简”安装即可除非你有特殊需求。4.4 下载并配置cuDNNcuDNN是NVIDIA专门为深度学习优化的库可以理解为CUDA的“加速补丁”。访问NVIDIA cuDNN下载页面需要注册登录https://developer.nvidia.com/cudnn。选择与你刚安装的CUDA版本对应的cuDNN版本例如为CUDA 12.x选择对应的cuDNN。下载适用于Windows的压缩包通常是一个ZIP文件。解压这个ZIP文件你会看到里面有bin,include,lib三个文件夹。打开你安装CUDA的目录默认是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1。将解压得到的bin,include,lib三个文件夹里的内容分别复制到CUDA安装目录下对应的bin,include,lib文件夹里。如果提示有重复文件选择替换。4.5 验证CUDA安装重新打开一个命令行窗口输入nvcc -V如果安装成功你会看到CUDA编译器的版本信息。再输入nvidia-smi这个命令会显示你的显卡信息以及它支持的CUDA最高版本Driver Version后面那个。确保这个版本号 你安装的CUDA版本号。5. 第四步安装PyTorchGPU版环境搭好了现在来安装主角PyTorch。回到刚才的PyTorch官网安装页面。在安装选择器中根据你的情况选择PyTorch Build:Stable(稳定版)Your OS:WindowsPackage:Pip(我们用的是Python的pip)Language:PythonCompute Platform:CUDA 12.1(这里一定要选和你安装的CUDA版本一致的如果你跳过了CUDA安装就选CPU)选择完成后页面会生成一行安装命令。把它复制下来。在你的命令行中粘贴这行命令并执行。例如pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121等待安装完成这个过程会下载比较大的文件请保持网络通畅。6. 第五步验证深度学习环境所有东西都装好了我们来写个简单的Python脚本测试一下环境是否正常工作特别是GPU能不能用。打开命令行输入python进入Python交互环境。逐行输入并执行以下代码# 导入PyTorch库 import torch # 1. 查看PyTorch版本 print(fPyTorch版本: {torch.__version__}) # 2. 检查CUDA即GPU是否可用 print(fCUDA是否可用: {torch.cuda.is_available()}) # 3. 如果可用查看GPU设备数量和名称 if torch.cuda.is_available(): print(fGPU数量: {torch.cuda.device_count()}) print(f当前GPU名称: {torch.cuda.get_device_name(0)}) # 0表示第一块GPU # 4. 做一个简单的张量计算对比CPU和GPU速度感觉一下 import time # 在CPU上创建一个大的随机矩阵并计算 start_time time.time() cpu_tensor torch.randn(10000, 10000) cpu_result cpu_tensor * cpu_tensor cpu_time time.time() - start_time print(fCPU计算耗时: {cpu_time:.4f} 秒) # 在GPU上做同样的计算如果GPU可用 if torch.cuda.is_available(): start_time time.time() gpu_tensor cpu_tensor.cuda() # 将数据移动到GPU gpu_result gpu_tensor * gpu_tensor torch.cuda.synchronize() # 等待GPU计算完成 gpu_time time.time() - start_time print(fGPU计算耗时: {gpu_time:.4f} 秒) print(fGPU加速比: {cpu_time / gpu_time:.2f} 倍)观察输出。如果一切顺利你应该能看到PyTorch版本号。CUDA是否可用: True。你的GPU型号。GPU的计算速度远远快于CPU加速比可能达到几十倍。如果CUDA是否可用显示为False别慌。最常见的原因是CUDA版本、PyTorch版本和显卡驱动版本不匹配。请回头检查第四步和第五步的版本选择是否一致。7. 总结与后续好了到这里一个完整的、支持GPU加速的Python深度学习环境就在你的Windows电脑上搭建成功了。这个过程可能有点繁琐但每一步都是在为后续的模型运行铺平道路。你现在已经拥有了一个强大的“工作台”和“加速引擎”。接下来你就可以去尝试运行具体的AI模型了比如那个生成对联的模型。通常你需要从GitHub等地方获取模型的代码。根据它的requirements.txt文件用pip install -r requirements.txt安装其他依赖库。下载模型权重文件。运行提供的示例脚本。有了今天打好的基础后面这些步骤会顺利很多。环境配置是AI实践的第一步也是最容易劝退的一步。恭喜你跨过来了如果在配置过程中遇到任何问题欢迎随时带着具体的报错信息去社区提问大家都很乐意帮忙。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。