第3章：深度学习框架：PyTorch/TensorFlow环境搭建、基础操作

搭建深度学习环境这事儿，说实话我踩过不少坑。尤其是ADMET研究，数据量和模型复杂度都比较特殊，一个稳定的环境能省下几周调试时间。

3.1 硬件与操作系统准备

你想想看，深度学习训练的核心其实是GPU。CPU当然也能跑，但对于ADMET数据中的高维特征，GPU提速可不是一星半点。

我个人习惯先检查硬件环境，再决定装什么版本。下面是常见的配置要求：

组件	最低要求	推荐配置
GPU	NVIDIA GTX 1050 (4GB)	NVIDIA RTX 3090 (24GB) 或以上
CPU	4核 2.5GHz	8核 3.5GHz 以上
内存	16GB	32GB 或 64GB
硬盘	SSD 256GB	SSD 1TB (NVMe)
操作系统	Ubuntu 20.04 / Windows 10	Ubuntu 22.04 / Windows 11

3.2 CUDA与cuDNN的安装

说白了，CUDA是NVIDIA的并行计算平台，cuDNN是深度学习加速库。两个都得装对版本。

我以前在项目中遇到过，CUDA 11.8配PyTorch 1.13挺稳，但换成2.x系列就必须用CUDA 12.1以上。为什么会这样？因为框架版本跟CUDA是绑定的。

安装步骤其实不复杂：

1. 去NVIDIA官网下载CUDA Toolkit（选.run或.deb包）。
2. 安装完成后，配环境变量。
3. 下载cuDNN库，解压后把文件复制到CUDA目录下。

举个例子，这是Ubuntu下配环境变量的写法：

export PATH=/usr/local/cuda-12.1/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-12.1/lib64:$LD_LIBRARY_PATH
export CUDA_HOME=/usr/local/cuda-12.1

3.3 创建虚拟环境（Anaconda推荐）

在ADMET项目中，不同模型可能依赖不同版本的库。我一般用Anaconda管理环境，想切就切，不会污染系统。

安装命令很简单：

wget https://repo.anaconda.com/archive/Anaconda3-2023.09-0-Linux-x86_64.sh
bash Anaconda3-2023.09-0-Linux-x86_64.sh

装好后，创建一个专属环境：

conda create -n admet_env python=3.9
conda activate admet_env

嗯，这里要注意。Python版本别追新，3.9或3.10对大部分框架最友好。

3.4 PyTorch安装与验证

PyTorch现在在ADMET研究圈子里很流行。它的动态图机制调试起来挺顺手的。

安装命令取决于你的CUDA版本。用conda装最省心：

conda install pytorch torchvision torchaudio cudatoolkit=12.1 -c pytorch -c nvidia

或者用pip也行：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

验证是否装好：

import torch
print(torch.__version__)
print(torch.cuda.is_available())
print(torch.cuda.device_count())
print(torch.cuda.get_device_name(0))

如果看到 True 和你的显卡型号，说明环境亮了。我刚开始用PyTorch时，就是靠这几行代码确认GPU调通的。

3.5 TensorFlow安装与验证

TensorFlow的安装路子跟PyTorch不太一样。它更依赖CUDA和cuDNN的精确匹配。

我的建议是直接用官方推荐版本：

pip install tensorflow==2.15.0
pip install tensorflow-gpu==2.15.0

验证代码：

import tensorflow as tf
print(tf.__version__)
print(tf.config.list_physical_devices('GPU'))
print(tf.test.is_gpu_available())

3.6 基础操作：张量与设备分配

说白了，深度学习操作的核心是张量（Tensor）。PyTorch和TensorFlow都靠它。

在实际的ADMET工作中，你得把数据加载到GPU上。比如：

import torch

# 创建张量并移到GPU
tensor_cpu = torch.randn(3, 4)
tensor_gpu = tensor_cpu.cuda()
print(tensor_gpu.device)

# 反向操作
tensor_cpu_again = tensor_gpu.cpu()

TensorFlow的操作类似：

import tensorflow as tf

# 查看默认设备
print(tf.config.list_physical_devices())

# 显式分配
with tf.device('/GPU:0'):
    tensor_gpu = tf.random.normal([3, 4])
    print(tensor_gpu.device)

我自己的习惯是：在大数据加载时，先用CPU处理，再批量移到GPU。这样能避免显存炸掉。

3.7 本章知识图谱

下面这张图概括了环境搭建的核心流程和关键节点。你跟着走就不会乱：

3.8 实践中的避坑建议

讲几个我这些年踩过的坑：

• 版本冲突：尽量不要混合使用conda和pip装依赖。我一般先在conda里装核心包，缺什么再用pip补。
• 多环境隔离：每个ADMET项目创建一个独立环境。我试过一个环境跑多个模型，结果TensorFlow和PyTorch互相抢CUDA版本。
• 检查GPU状态：每次跑任务前，跑一下 nvidia-smi，看看显存够不够用。

好了，环境搭好、基础操作也跑通，剩下的就是在具体项目里磨炼了。