2. 深度学习环境配置

说实话，做深度学习这几年，我踩过最多的坑就是环境配置。你想想看，好不容易写好代码，一跑起来报错「CUDA driver version is insufficient」——那种感觉，真的让人想砸电脑。

所以这一章，咱们就把环境彻底搞定。我个人的习惯是，先搭好地基再盖楼。Anaconda就是那个地基，PyTorch是楼的主体，CUDA和cuDNN是楼里的水电系统。一个都不能少。

1. Anaconda安装：Python的「瑞士军刀」

Anaconda是什么？说白了就是一个Python发行版，自带包管理器和环境管理功能。我刚开始做项目时，经常遇到「这个项目要Python 3.6，那个项目要Python 3.8」的尴尬。Anaconda的虚拟环境功能完美解决了这个问题。

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。但注意：安装路径不要有中文和空格
3. 安装完成后，打开终端（Windows用Anaconda Prompt），输入 conda --version 验证

验证安装成功后，我们来创建一个干净的虚拟环境：

conda create -n mobilevit python=3.8
conda activate mobilevit

为什么要用Python 3.8？嗯，这里要注意：PyTorch对Python版本有要求，3.8是目前兼容性最好的版本。我在项目中试过3.9和3.10，有些老库会报错。

2. PyTorch框架安装：深度学习的心脏

PyTorch现在几乎是深度学习领域的标配了。我个人从TensorFlow转过来后，就再也没回去过——PyTorch的调试体验真的太舒服了。

安装PyTorch前，先确认你的机器有没有NVIDIA显卡。有显卡的话，可以装CUDA版本；没有的话，装CPU版本也能跑，就是慢点。

安装命令（以CUDA 11.8为例）：

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

如果你没有显卡，用这个：

pip install torch torchvision torchaudio

import torch
print(torch.cuda.is_available())  # 输出True说明CUDA可用

3. CUDA与cuDNN配置：让GPU跑起来

CUDA是NVIDIA的并行计算平台，cuDNN是深度神经网络的加速库。说白了，没有它们，你的GPU就是个摆设。

CUDA安装步骤：

1. 去NVIDIA官网下载CUDA Toolkit（推荐11.8或12.1版本）
2. 安装时选择自定义安装，只勾选「CUDA」组件
3. 安装完成后，在终端输入 nvcc --version 验证

cuDNN安装步骤：

1. 去NVIDIA官网下载cuDNN（需要注册账号）
2. 解压后，把bin、include、lib文件夹复制到CUDA安装目录下
3. 添加环境变量：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\bin

验证cuDNN是否安装成功：

# 在Python中运行
import torch
print(torch.backends.cudnn.is_available())  # 输出True说明cuDNN可用

4. 常用Python库安装：工具箱里的螺丝刀

做语义分割，有几个库是绕不开的。我整理了一个清单：

一次性安装所有库：

pip install opencv-python matplotlib tqdm numpy pillow

5. 验证环境：跑一个简单的测试

环境配好了，咱们跑个测试看看：

import torch
import cv2
import numpy as np
from tqdm import tqdm

print(f"PyTorch版本: {torch.__version__}")
print(f"CUDA是否可用: {torch.cuda.is_available()}")
print(f"cuDNN是否可用: {torch.backends.cudnn.is_available()}")
print(f"OpenCV版本: {cv2.__version__}")
print(f"NumPy版本: {np.__version__}")

# 创建一个简单的张量测试
x = torch.randn(3, 224, 224)
if torch.cuda.is_available():
    x = x.cuda()
    print(f"张量在GPU上: {x.device}")
else:
    print("张量在CPU上")

如果所有输出都正常，恭喜你，环境配置完成了！

知识体系总览

下面这张图展示了本章节的核心逻辑：

这张图把整个环境配置的脉络理清楚了。从Anaconda这个基础环境开始，往上搭建PyTorch框架，再配置CUDA和cuDNN让GPU跑起来，最后装上各种常用库。每一步都是下一步的前提，缺一不可。