3. 模型训练环境搭建：Python环境与PyTorch/TensorFlow安装、GPU驱动与CUDA配置、使用Anaconda管理虚拟环境
说实话，环境搭建这件事，看着简单，但坑是真不少。我见过太多人花了一整天装环境，最后发现是CUDA版本没对齐。这节课，我把这些年踩过的坑和总结的经验，一次性给你讲清楚。
3.1 为什么必须用Anaconda？
你想想看，一个项目用PyTorch 1.12，另一个用2.0，第三个还得用TensorFlow 2.8。如果全装在一个Python里，不出三天就乱套了。
Anaconda就是干这个的。它帮你隔离环境，每个项目一套独立的Python版本和包。互不干扰。
核心概念：Anaconda = Python包管理器 + 虚拟环境管理器 + 科学计算库全家桶。说白了，它就是你的开发环境瑞士军刀。
3.2 安装Anaconda
我个人习惯用Miniconda，轻量，只装核心组件。如果你喜欢省事，直接上Anaconda也行，就是体积大了点。
安装步骤：
- 去官网下载对应系统的安装包（Windows/Linux/macOS）
- 一路默认安装，但注意勾选「Add Anaconda to my PATH environment variable」
- 安装完成后，打开终端，输入
conda --version验证
小技巧：Linux下我建议装到 /opt/anaconda3 而不是默认的 ~/anaconda3，这样多用户共享更方便。当然，你一个人用就无所谓了。
3.3 创建和管理虚拟环境
环境管理是Anaconda的核心功能。我一般这样操作：
# 创建一个名为 dl_env 的环境，指定Python版本3.9
conda create -n dl_env python=3.9
# 激活环境
conda activate dl_env
# 查看已有环境
conda env list
# 退出当前环境
conda deactivate
# 删除环境
conda remove -n dl_env --all为什么要指定Python版本？因为PyTorch和TensorFlow对Python版本有要求。比如PyTorch 2.0要求Python 3.8以上，但3.12有些包还不支持。我一般用3.9或3.10，兼容性最好。
3.4 GPU驱动与CUDA配置
这是最容易出问题的地方。我曾经在客户现场折腾了一下午，最后发现是驱动版本太老，CUDA 11.8根本装不上。
先搞清楚几个概念：
| 组件 | 作用 | 版本关系 |
|---|---|---|
| NVIDIA驱动 | 让操作系统识别GPU | 必须支持目标CUDA版本 |
| CUDA Toolkit | GPU编程的SDK | PyTorch/TF需要对应版本 |
| cuDNN | 深度神经网络加速库 | 必须匹配CUDA版本 |
检查驱动和CUDA版本：
# 查看驱动版本和支持的CUDA版本
nvidia-smi
# 输出示例：
# NVIDIA-SMI 535.129.03
# CUDA Version: 12.2注意：nvidia-smi 显示的CUDA版本是驱动支持的最高版本，不代表你已经安装了CUDA Toolkit。
3.5 安装CUDA Toolkit和cuDNN
我建议用conda安装，省心：
# 在虚拟环境中安装CUDA Toolkit
conda install -c conda-forge cudatoolkit=11.8
# 安装cuDNN
conda install -c conda-forge cudnn=8.6.0避坑指南：我曾经直接去NVIDIA官网下载.run文件安装，结果和系统已有的驱动冲突，导致黑屏。后来我学乖了，能用conda就用conda，它自动处理依赖关系。
3.6 安装PyTorch
PyTorch官方提供了非常方便的安装命令生成器。去官网选你的配置，它会给你一条命令。
我常用的安装方式：
# CUDA 11.8 版本
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
# 或者用conda
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia验证安装：
import torch
print(torch.__version__) # 输出：2.0.1+cu118
print(torch.cuda.is_available()) # 输出：True
print(torch.cuda.device_count()) # 输出：1（你的GPU数量）如果 torch.cuda.is_available() 返回 False，别慌。检查三件事：驱动版本、CUDA Toolkit版本、PyTorch版本是否匹配。
3.7 安装TensorFlow
TensorFlow的GPU支持需要额外注意。2.10是最后一个原生支持Windows GPU的版本。之后的版本在Windows上只能用WSL2。
# TensorFlow 2.10（Windows推荐）
pip install tensorflow==2.10
# Linux/Mac
pip install tensorflow
# 验证GPU
import tensorflow as tf
print(tf.config.list_physical_devices('GPU'))我的建议：如果你做新项目，优先用PyTorch。TensorFlow在工业部署上仍有优势，但PyTorch的生态和易用性更好。两个都装上也没问题，反正有虚拟环境隔离。
3.8 环境搭建完整流程（我的标准操作）
下面是我每次搭建新项目环境的标准流程，你可以直接照搬：
- 检查硬件：
nvidia-smi确认GPU驱动正常 - 创建环境：
conda create -n myproject python=3.9 - 激活环境：
conda activate myproject - 安装CUDA Toolkit：
conda install -c conda-forge cudatoolkit=11.8 - 安装cuDNN：
conda install -c conda-forge cudnn - 安装PyTorch： 按官网命令安装
- 验证： 运行上面的验证代码
- 安装其他依赖：
pip install numpy pandas matplotlib jupyter
整个过程大概10分钟。如果中间出错了，别硬扛，删掉环境重来。反正 conda remove -n myproject --all 就一秒的事。
3.9 常见问题与解决方案
| 问题 | 原因 | 解决方法 |
|---|---|---|
| torch.cuda.is_available() 返回 False | CUDA版本不匹配或驱动太老 | 更新驱动，或安装对应版本的PyTorch |
| conda安装速度慢 | 默认源在国外 | 换清华源：conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ |
| pip安装报错 | 依赖冲突 | 先升级pip：pip install --upgrade pip |
| import tensorflow 报DLL错误 | 缺少Visual C++运行库 | 安装Visual C++ Redistributable |
3.10 本章知识体系
下面这张图，把整个环境搭建的流程和依赖关系串起来了。建议你保存下来，以后装环境时对照着看。
嗯，到这里，环境搭建这部分就讲完了。你跟着操作一遍，应该不会有大问题。如果卡住了，回头看看上面的表格和流程图，基本都能找到答案。