1. 环境准备从零开始的深度学习之旅刚接触深度学习的新手常常会被复杂的开发环境劝退我自己刚开始的时候也踩过不少坑。今天我就用最直白的语言带你一步步搭建一个稳定、可复现的PyTorch开发环境。整个过程就像搭积木一样简单只需要三个主要组件Anaconda、PyCharm和PyTorch。首先说说为什么选择这套组合。Anaconda是Python环境管理的瑞士军刀它能帮你轻松创建隔离的开发环境避免各种包版本冲突。PyCharm则是Python开发的神器智能提示和调试功能能让编码效率翻倍。PyTorch作为当下最火的深度学习框架对新手特别友好动态计算图的设计让调试变得直观。在开始之前建议你花2分钟确认下电脑配置。右键此电脑选择属性看看系统类型是32位还是64位现在基本都是64位了。另外需要确认显卡型号因为后续安装CUDA时会用到。如果你用的是集成显卡也不用担心PyTorch同样支持CPU模式运行。2. Anaconda安装与配置2.1 下载与安装Anaconda的安装其实特别简单但有几个细节需要注意。我推荐使用清华镜像站下载速度会比官网快很多。打开浏览器访问https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/选择最新的Anaconda3版本目前是Anaconda3-2023.03版本。下载完成后双击安装这里有个关键点一定要勾选Add Anaconda to my PATH environment variable选项。虽然官方不建议勾选但实测发现不勾选后期会遇到各种找不到conda命令的问题。安装过程大概需要5-10分钟取决于你的硬盘速度。安装完成后可以打开命令提示符WinR输入cmd测试下是否成功conda --version如果显示版本号比如conda 23.3.1说明安装成功。2.2 创建虚拟环境虚拟环境是Python开发的必备技能它就像一个个独立的集装箱不同项目需要的包可以互不干扰。我强烈建议为PyTorch单独创建一个环境而不是装在base环境里。创建环境有两种方式我个人更喜欢用命令行conda create -n pytorch python3.9这里-n pytorch指定环境名python3.9指定Python版本。为什么选3.9而不是最新版因为有些深度学习库对新版Python支持还不够完善3.9是目前最稳定的选择。创建完成后激活环境conda activate pytorch你会看到命令提示符前面多了(pytorch)表示已经进入该环境。如果想退出环境执行conda deactivate3. CUDA与cuDNN配置3.1 检查显卡支持深度学习训练离不开GPU加速而CUDA就是NVIDIA显卡的加速工具包。首先确认你的显卡是否支持CUDA右键桌面空白处选择NVIDIA控制面板→帮助→系统信息在组件选项卡中可以看到支持的CUDA版本。如果你的显卡比较新RTX 20/30/40系列建议安装CUDA 11.x版本如果是老显卡GTX 10系列可能需要CUDA 10.x。实在不确定的话去NVIDIA官网查下显卡对应的CUDA版本。3.2 安装CUDA工具包到NVIDIA官网下载对应版本的CUDA Toolkithttps://developer.nvidia.com/cuda-toolkit-archive。下载时注意选择与系统匹配的版本Windows→x86_64→10/11。安装时有个小技巧选择自定义安装然后只勾选CUDA组件里的Development和Runtime其他组件如Nsight可以不用装。安装完成后验证是否成功nvcc -V如果显示CUDA版本信息说明安装成功。3.3 安装cuDNNcuDNN是深度神经网络加速库需要单独下载。到NVIDIA官网注册账号后下载与CUDA版本匹配的cuDNN解压后将bin、include、lib文件夹复制到CUDA安装目录默认是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.x。4. PyTorch安装实战4.1 通过conda安装PyTorch官网提供了非常方便的安装命令生成器https://pytorch.org/get-started/locally/。选择PyTorch版本、你的操作系统、包管理器conda/pip、语言Python和CUDA版本后它会给出安装命令。比如对于CUDA 11.7的Windows系统命令可能是conda install pytorch torchvision torchaudio pytorch-cuda11.7 -c pytorch -c nvidia但要注意conda源在国外下载速度可能很慢。这时可以用清华镜像源加速conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --set show_channel_urls yes4.2 验证安装安装完成后启动Python解释器测试import torch print(torch.__version__) # 应该输出PyTorch版本 print(torch.cuda.is_available()) # 应该输出True如果第二行输出False说明CUDA没有正确识别可能需要检查CUDA和PyTorch版本是否匹配。5. PyCharm环境集成5.1 创建新项目打开PyCharm选择New Project在Location选择项目路径然后在Python Interpreter处选择Previously configured interpreter。点击右侧齿轮图标→Add→Conda Environment找到之前创建的pytorch环境中的python.exe通常在Anaconda安装目录下的envs/pytorch文件夹里。5.2 测试运行新建一个Python文件输入以下代码测试import torch x torch.rand(5, 3) print(x) if torch.cuda.is_available(): device torch.device(cuda) y torch.ones_like(x, devicedevice) x x.to(device) z x y print(z) print(z.to(cpu, torch.double))这段代码会先在CPU上创建随机张量如果检测到GPU还会进行GPU运算测试。运行后如果没有报错恭喜你PyTorch开发环境已经完美配置5.3 常见问题排查如果遇到No module named torch检查PyCharm是否选对了Python解释器。有时候PyCharm会默认使用系统Python而不是conda环境中的Python。GPU无法使用时可以尝试重新安装对应版本的CUDA和PyTorch。版本匹配是关键PyTorch官网有详细的版本对应表。另外记得更新显卡驱动到最新版本。