2. 环境搭建：把吃饭的家伙先支棱起来

大家好，我是老张。做这行的第一天我就明白一个道理：环境搭不好，后面全白搞。搞分子生成，说白了就是跟化学空间、图神经网络、概率分布这些东西打交道。你想想看，要是连RDKit都装不上，PyTorch报错跟报菜名似的，哪还有心思调模型？

我个人习惯，一开始就把环境理得清清楚楚。这节课我们就把Python、RDKit、PyTorch/TensorFlow这些核心工具一股脑儿装好，顺带搞定GPU加速。嗯，一步到位。

2.1 Python 环境：选对版本，少走弯路

做分子生成，我个人建议用 Python 3.8 到 3.11 之间的版本。为什么？RDKit 和 PyTorch 的 stable 版本主要支持这个区间。你非得整 Python 3.12 或 3.13，那可能会碰到某些第三方扩展包还没适配，没必要给自己找麻烦。

我推荐用 Anaconda 来管理 Python 环境。它自带 conda 包管理器，能省掉一堆底层依赖的麻烦。尤其是 RDKit，用 conda 装比 pip 省心多了。

安装步骤很简单：

1. 去 Anaconda 官网 下载对应系统的安装包（Windows/macOS/Linux）
2. 一路默认安装，记得勾选「Add Anaconda to my PATH」（如果你熟悉命令行）
3. 打开终端（Windows 用 Anaconda Prompt），验证安装

conda --version
python --version

输出应该是类似这样的：

conda 23.11.0
Python 3.11.5

2.2 创建虚拟环境：隔离是最好的保护

这里有个小经验。我刚开始做项目的时候，所有库都装在 base 环境里，结果有一次装了一个新版本的 rdkit，直接把之前跑通的分子指纹代码给搞崩了。那叫一个酸爽。从那以后，每个项目我必建独立环境。

创建分子生成项目专用环境：

conda create -n molgen python=3.10 -y
conda activate molgen

看，就这么简单。环境名叫 molgen，Python 3.10。你也可以换成 3.9 或 3.11，但最好跟团队保持一致。

2.3 RDKit 安装：分子处理的核心武器

RDKit 是分子生成 Pipeline 的基石。读分子、写分子、计算指纹、做子结构匹配、画分子图，全得靠它。我个人倾向于用 conda 安装，因为它会自动拉好 OpenSSL、Boost 这些底层依赖。

在 molgen 环境里执行：

conda activate molgen
conda install -c conda-forge rdkit -y

装完之后，我们来验证一下能不能用。写个小脚本：

from rdkit import Chem
from rdkit.Chem import Draw

# 随便创建一个分子
mol = Chem.MolFromSmiles('CCO')
print(Chem.MolToSmiles(mol))
# 应该输出 CCO

跑一下：

python -c "from rdkit import Chem; print(Chem.MolToSmiles(Chem.MolFromSmiles('CCO')))"

如果输出 CCO，说明 RDKit 装好了。我曾遇到过有些 Linux 系统上 RDKit 报 libX11 相关的错，那多半是缺了图形界面依赖，用 apt-get install libx11-dev 之类的东西补上就行。

2.4 PyTorch 与 TensorFlow：二选一还是双持？

分子生成任务中，PyTorch 是绝对的主力选手。你看到的 GAN、VAE、Normalizing Flow、Diffusion 模型，大部分都是用 PyTorch 实现的。TensorFlow 当然也能做，但生态上稍微吃亏一点。

我个人更倾向 PyTorch，但为了课程全面性，我两个都讲。

安装 PyTorch

先确认你手里的 GPU 型号，然后再挑命令。去 PyTorch 官网 找到对应的 CUDA 版本。比如常见的 CUDA 11.8 或 12.1：

conda activate molgen
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

如果你只有 CPU，去掉 CUDA 后缀即可：

pip install torch torchvision torchaudio

安装 TensorFlow

TensorFlow 的安装稍微朴实一点：

pip install tensorflow

如果你想用 GPU 版本，注意要提前装好 CUDA 和 cuDNN（后面会讲）。

2.5 GPU 环境配置：不白嫖算力就是浪费

做分子生成训练，动辄生成几万几十万个分子。你要是用 CPU 跑，一个 batch 要等半分钟，迭代几百轮……不如直接关机睡觉。GPU 加速是刚需。

GPU 配置说白了就是三件事：

• 显卡驱动（NVIDIA Driver）
• CUDA Toolkit
• cuDNN（深度神经网络加速库）

第一步：检查显卡驱动

nvidia-smi

如果看到类似下面的输出，说明驱动正常：

+-----------------------------------------------------------------------------+
| NVIDIA-SMI 545.23.08    Driver Version: 545.23.08    CUDA Version: 12.3     |
+-----------------------------------------------------------------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
+-----------------------------------------------------------------------------+
|   0  NVIDIA GeForce RTX 4090   Off | 00000000:01:00.0  On |                  Off |
+-----------------------------------------------------------------------------+

我曾经在一个客户服务器上，nvidia-smi 能看到显卡，但 PyTorch 就是调不动 GPU。查了半下午，发现是 CUDA Toolkit 没装，驱动只是个空壳子。

第二步：安装 CUDA Toolkit

去 NVIDIA 官网下载对应的 CUDA Toolkit 安装包。建议选 runfile (local) 方式，不要用 deb 或 exe，这样你能控制安装路径。用 conda 安装也可以：

conda install cudatoolkit=11.8 -c conda-forge

或者直接用 NVIDIA 官方 runfile：

wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda_11.8.0_520.61.05_linux.run
sudo sh cuda_11.8.0_520.61.05_linux.run

装完后配一下环境变量：

export PATH=/usr/local/cuda-11.8/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH

第三步：安装 cuDNN

cuDNN 需要 NVIDIA 开发者账号才能下载。你要嫌麻烦，也可以用 conda 装：

conda install cudnn -c conda-forge

2.6 全链路验证：一次跑通，心里有底

环境装完了，光说装了没用，得跑个完整的验证脚本。我习惯写一个文件，从 Python 版本到 RDKit 到深度学习框架到 GPU 全部测一遍：

import sys
import numpy as np
from rdkit import Chem

print(f"Python 版本: {sys.version}")

# 验证 RDKit
mol = Chem.MolFromSmiles('CCO')
print(f"RDKit 测试: {Chem.MolToSmiles(mol)}")

# 验证 PyTorch
try:
    import torch
    print(f"PyTorch 版本: {torch.__version__}")
    print(f"CUDA 可用: {torch.cuda.is_available()}")
    if torch.cuda.is_available():
        print(f"GPU 名称: {torch.cuda.get_device_name(0)}")
        # 做个简单张量运算验证
        a = torch.randn(3, 3).cuda()
        b = torch.randn(3, 3).cuda()
        c = a @ b
        print(f"GPU 张量运算测试通过: {c.shape}")
except ImportError:
    print("PyTorch 未安装")

# 验证 TensorFlow
try:
    import tensorflow as tf
    print(f"TensorFlow 版本: {tf.__version__}")
    gpus = tf.config.list_physical_devices('GPU')
    print(f"TensorFlow GPU 数量: {len(gpus)}")
    if gpus:
        print(f"GPU 名称: {gpus[0].name}")
except ImportError:
    print("TensorFlow 未安装")

print("✅ 环境验证全部完成 - 可以开始分子生成实战了！")

2.7 常见问题速查表

这里我列几个我实际在项目中踩过的坑，你碰到了直接照方抓药就行。

好了，环境搞定了。你的机器现在是一台真正的「分子生成工作站」了。接下来我们可以开始写代码，做真正的分子生成实战了。