1. 环境准备从零开始的硬件与软件检查在开始搭建AI开发环境之前我们需要确保硬件和基础软件都满足要求。我遇到过很多新手朋友因为忽略了这个步骤导致后续安装过程频频出错。首先确认你的电脑配备了NVIDIA显卡这是使用CUDA加速的必要条件。你可以通过右键点击桌面空白处选择NVIDIA控制面板来查看显卡型号。常见的RTX 20/30/40系列显卡都完全支持CUDA 12.1。接下来检查操作系统版本建议使用Windows 10或11的64位系统。按下WinR键输入winver可以查看具体版本号。我实测过在Windows 10 21H2和Windows 11 22H2上都能完美运行。另外确保C盘至少有20GB可用空间虽然我们会把主要环境安装在F盘但CUDA驱动还是会占用部分系统盘空间。提示如果你使用的是笔记本电脑建议连接电源并设置为高性能模式避免安装过程中因节能设置导致中断。2. Python 3.10.11安装详解2.1 下载与安装PythonPython是AI开发的基础我们选择3.10.11这个版本是因为它在稳定性和新特性之间取得了很好的平衡。我对比过多个版本发现3.10.x系列对PyTorch的支持最为友好。你可以通过百度云快速获取安装包解压后会得到一个名为python-3.10.11-amd64.exe的文件。安装时记住这几个关键点勾选Add Python 3.10 to PATH选项这能让你在任意位置运行Python自定义安装路径为F:\python3.10\0安装完成后在命令提示符输入python --version应该能看到正确版本号2.2 验证Python环境安装完成后我们需要确认环境配置正确。打开命令提示符WinR输入cmd依次执行以下命令where python python -c import sys; print(sys.executable)第一条命令应该显示F:\python3.10\0下的Python路径第二条命令会打印出Python解释器的完整路径。如果看到C盘的路径说明环境变量设置有问题需要手动调整PATH变量。3. CUDA 12.1与cuDNN配置指南3.1 CUDA Toolkit安装CUDA是NVIDIA提供的并行计算平台安装时要注意以下几点以管理员身份运行安装程序保持默认安装路径C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1在组件选择界面建议选择自定义安装然后取消勾选Visual Studio Integration除非你需要VS开发安装完成后需要添加几个关键环境变量CUDA_PATH: C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1在PATH中添加: %CUDA_PATH%\bin 和 %CUDA_PATH%\libnvvp3.2 cuDNN部署技巧cuDNN是深度神经网络加速库解压后你会看到bin、include和lib三个文件夹。正确的部署方法是将bin目录下的所有.dll文件复制到CUDA的bin目录include目录下的.h文件复制到CUDA的include目录lib目录下的.lib文件复制到CUDA的lib\x64目录我建议在复制前先备份原始文件虽然我们使用的是完整安装包但这个习惯在后续开发中很重要。4. PyTorch环境集成与验证4.1 PyTorch预配置环境使用我们提供的百度云包已经集成了与CUDA 12.1兼容的PyTorch版本。解压到F盘后你会看到一个完整的Python环境。这个环境已经包含了torch、torchvision和torchaudio三个核心库版本都经过严格测试。如果你想手动安装可以使用以下命令pip install torch2.0.1cu121 torchvision0.15.2cu121 torchaudio2.0.2 --index-url https://download.pytorch.org/whl/cu1214.2 环境验证方法验证环境是否配置成功需要运行几个关键测试import torch print(torch.__version__) # 应该显示2.0.1cu121 print(torch.cuda.is_available()) # 应该返回True print(torch.cuda.get_device_name(0)) # 显示你的显卡型号此外还可以运行CUDA自带的测试工具打开CUDA安装目录下的extras\demo_suite运行bandwidthTest.exe和deviceQuery.exe两个测试都应该显示Result PASS5. 开发工具配置建议5.1 PyCharm环境设置在PyCharm中配置我们的Python环境打开File Settings Project Python Interpreter点击齿轮图标选择Add Interpreter System Interpreter路径指向F:\python3.10\0\python.exe应用后等待索引完成5.2 Jupyter Notebook集成如果你想使用Jupyter Notebook先安装jupyterpip install jupyter生成配置文件jupyter notebook --generate-config修改配置文件中的c.NotebookApp.notebook_dir为你的工作目录启动时会自动使用我们配置好的Python环境6. 常见问题排查6.1 CUDA不可用问题如果torch.cuda.is_available()返回False可以按以下步骤排查检查显卡驱动是否最新确认CUDA版本与PyTorch版本匹配运行nvidia-smi命令查看GPU状态检查环境变量是否正确设置6.2 性能优化技巧为了获得最佳性能我建议在NVIDIA控制面板中将电源管理模式设为最高性能优先定期使用torch.cuda.empty_cache()清理缓存对于大模型使用torch.backends.cudnn.benchmark True启用cuDNN自动调优7. 进阶配置与扩展7.1 多版本Python管理虽然我们使用了独立安装方式但你可能还需要管理多个Python版本。我推荐使用pyenv-winpip install pyenv-win pyenv install 3.8.10 pyenv global 3.10.11 3.8.107.2 Docker环境配置如果你想使用容器化环境可以使用NVIDIA官方提供的PyTorch镜像docker run --gpus all -it pytorch/pytorch:2.0.1-cuda12.1-cudnn8-runtime不过对于初学者我还是建议先从本地环境开始等熟悉了基本概念再尝试容器化方案。