2. 深度学习环境搭建

说实话，环境搭建是很多初学者第一个卡住的地方。我见过不少同学，代码写得挺好，结果卡在装环境上，一折腾就是半天。其实这事没那么玄乎，咱们一步步来。

深度学习环境说白了就三层：Python环境管理 → GPU驱动层 → 深度学习框架。下面我按这个顺序带你走一遍。

2.1 Anaconda 安装：Python 环境的「瑞士军刀」

我个人习惯用 Anaconda 来管理 Python 环境。为什么？因为它能让你在一台机器上同时维护多个互不干扰的 Python 版本和包集合。你想想看，做 YOLOv5 可能需要 Python 3.8，做别的项目可能要用 3.10，如果没有环境隔离，早晚会出冲突。

安装步骤：

1. 去 Anaconda 官网下载对应系统的安装包（Windows/Linux/macOS）
2. 双击安装，一路默认即可。但有一个选项要注意——「Add Anaconda to my PATH environment variable」，我建议勾上，省得后面还要手动配环境变量
3. 安装完成后，打开终端（Windows 用 Anaconda Prompt），输入 conda --version 验证

装好之后，我习惯创建一个独立的虚拟环境给 YOLOv5 用：

conda create -n yolov5 python=3.8
conda activate yolov5

这样后面不管怎么折腾，都不会影响到系统自带的 Python。

2.2 CUDA 与 cuDNN 配置：让 GPU 听懂你的话

CUDA 是什么？说白了，它是 NVIDIA 推出的并行计算平台。你的 PyTorch 代码要想在 GPU 上跑，必须通过 CUDA 这个「翻译官」来跟显卡硬件沟通。

CUDA 安装要点：

• 先确认你的显卡型号：NVIDIA 控制面板 → 系统信息 → 组件，或者终端执行 nvidia-smi
• 去 NVIDIA 官网下载对应版本的 CUDA Toolkit。我建议选 CUDA 11.8，这个版本对 PyTorch 的兼容性最好，我在项目中用过很多次，没出过问题
• 安装时选择「自定义安装」，只勾选 CUDA 组件，别装 NVIDIA GeForce Experience 那些没用的

cuDNN 配置：

cuDNN 是 CUDA 的深度神经网络加速库。安装其实很简单：

1. 去 NVIDIA 官网注册下载 cuDNN（需要注册账号，免费的）
2. 选择与 CUDA 11.8 匹配的 cuDNN 版本
3. 解压后，把 bin、include、lib 三个文件夹里的文件复制到 CUDA 安装目录对应的文件夹中

验证是否装好：

# 查看 CUDA 版本
nvcc --version

# 查看 cuDNN 版本（Windows）
type "C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\include\cudnn_version.h" | findstr CUDNN_MAJOR

2.3 PyTorch 框架安装：核心一步

PyTorch 的安装命令，我建议去 PyTorch 官网 用它的配置工具生成。选好你的系统、包管理器（pip/conda）、CUDA 版本，它会给你一条命令。

以 CUDA 11.8 为例：

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

安装完成后，验证一下：

python -c "import torch; print(torch.__version__)"

如果输出版本号，说明装好了。

2.4 验证 GPU 是否可用：最后一道关

这一步最关键。很多同学装完以为万事大吉，结果一跑代码发现还是在用 CPU。咱们写个简单脚本验证：

import torch

print("PyTorch 版本:", torch.__version__)
print("CUDA 是否可用:", torch.cuda.is_available())
print("GPU 数量:", torch.cuda.device_count())
print("当前 GPU 名称:", torch.cuda.get_device_name(0) if torch.cuda.is_available() else "无 GPU")

# 跑个小测试
if torch.cuda.is_available():
    x = torch.rand(3, 3).cuda()
    print("GPU 计算测试通过，张量在:", x.device)
else:
    print("GPU 不可用，请检查 CUDA 安装")

如果输出 CUDA 是否可用: True，并且能看到你的显卡型号，那就恭喜你，环境搭好了。

2.5 整体流程一览

下面这张图把整个环境搭建的流程串起来了，你可以对照着检查自己走到哪一步了：

2.6 版本兼容性速查表

版本匹配是环境搭建里最容易出问题的地方。我整理了一张表，你照着选就行：

PyTorch 版本	CUDA 版本	cuDNN 版本	推荐场景
1.13.x	11.6 / 11.7	8.4.x	老项目兼容
2.0.x	11.8	8.6.x	YOLOv5 推荐
2.1.x	12.1	8.9.x	新显卡（40系）