2、环境配置与依赖冲突：Conda环境管理、CUDA与cuDNN版本匹配、PyTorch/TensorFlow安装踩坑
说实话，做感知算法这几年，我见过太多同学在环境配置上卡好几天。明明代码写得挺好，一跑就报错，最后发现是CUDA版本不对。嗯，这章咱们就把这些坑一个个填平。
2.1 Conda环境管理——你的算法隔离舱
我个人习惯，每个项目都建独立的Conda环境。为什么？你想想看，项目A用PyTorch 1.10，项目B用PyTorch 2.0，混在一起迟早出事。
核心原则：环境隔离，依赖独立，互不干扰。
2.1.1 创建与激活环境
# 创建Python 3.8环境
conda create -n perception_env python=3.8
# 激活环境
conda activate perception_env
# 退出环境
conda deactivate我在项目中遇到过，有人直接在base环境里装东西，结果某天更新包把系统Python搞崩了。从那以后，我连测试环境都用独立环境。
2.1.2 环境导出与复制
这个功能特别实用。你配好一个环境，导出成yaml文件，同事直接就能复现。
# 导出环境配置
conda env export > environment.yaml
# 从文件创建环境
conda env create -f environment.yaml小技巧：导出时加 --no-builds 参数，可以跨平台使用。我吃过这个亏，Windows导出的环境在Linux上死活装不上。
2.2 CUDA与cuDNN版本匹配——GPU加速的灵魂
说白了，CUDA是NVIDIA的并行计算平台，cuDNN是专门给深度学习优化的加速库。两者版本必须匹配，否则GPU等于摆设。
2.2.1 版本对应关系
| CUDA版本 | cuDNN版本 | PyTorch版本 | TensorFlow版本 |
|---|---|---|---|
| 11.8 | 8.6.0 | 2.0.0+ | 2.12+ |
| 12.1 | 8.9.0 | 2.1.0+ | 2.14+ |
| 12.4 | 9.0.0 | 2.3.0+ | 2.16+ |
我曾经在服务器上装PyTorch 2.0，结果CUDA是12.0，跑模型时直接报 CUDA error: no kernel image is available。查了半天，原来是PyTorch 2.0不支持CUDA 12.0。
2.2.2 检查当前版本
# 检查CUDA版本
nvcc --version
# 检查cuDNN版本
cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2
# 检查PyTorch是否可用GPU
python -c "import torch; print(torch.cuda.is_available())"注意： nvidia-smi 显示的CUDA版本是驱动支持的最高版本，不是你实际用的版本。别搞混了，我见过有人因为这个折腾了一整天。
2.3 PyTorch/TensorFlow安装踩坑实录
这两个框架的安装，说白了就是版本匹配的游戏。我总结了几条血泪教训。
2.3.1 PyTorch安装的正确姿势
别用 pip install torch 这种裸装方式。去官网选好配置，用指定命令安装。
# CUDA 11.8版本
pip install torch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 --index-url https://download.pytorch.org/whl/cu118
# CPU版本（调试用）
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu我记得有一次，团队里有人用 pip install torch 装了个CPU版本，训练了三天才发现。嗯，那感觉，就像跑了场马拉松发现终点线画错了。
2.3.2 TensorFlow安装的坑
TensorFlow 2.x 对CUDA版本要求特别严格。我建议直接用 tensorflow-gpu 这个包名。
# TensorFlow 2.12 + CUDA 11.8
pip install tensorflow-gpu==2.12.0
# 验证GPU是否可用
python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"避坑指南：我曾经在Ubuntu 20.04上装TensorFlow 2.10，结果发现它只支持CUDA 11.2。后来查文档才知道，每个TensorFlow版本都有对应的CUDA版本要求，差一点都不行。
2.4 常见错误与解决方案
这里列几个我遇到最多的错误，你碰到了直接对照着查。
- 错误1：
ImportError: libcudart.so.11.0: cannot open shared object file
原因：CUDA路径没加到LD_LIBRARY_PATH
解决：export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH - 错误2：
RuntimeError: CUDA out of memory
原因：显存不够，或者batch size太大
解决：减小batch size，或者用torch.cuda.empty_cache()清缓存 - 错误3：
AssertionError: Torch not compiled with CUDA enabled
原因：装了CPU版本的PyTorch
解决：重装CUDA版本的PyTorch
2.5 知识体系总览
下面这张图，是我自己总结的环境配置核心逻辑。你照着这个流程走，基本不会出大问题。
我的建议：每次配环境前，先花10分钟检查硬件和驱动版本。别急着装包，先把基础打牢。我见过太多人，一上来就 pip install，结果装完发现全白费。
环境配置这事，说白了就是细心加耐心。你按照上面的流程走一遍，基本不会出大问题。如果真遇到奇怪的错误，别慌，先看错误日志，再查官方文档。嗯，实在不行，删了环境重来，有时候反而更快。