2. 环境搭建：Anaconda安装、创建虚拟环境、PyTorch安装、CUDA与cuDNN配置、验证环境

说实话，环境搭建是很多初学者最头疼的一步。我见过太多人卡在这里，甚至直接放弃了。但换个角度想——你连环境都能搞定，后面写代码还怕什么？

这一章，我会带你一步步走完整个流程。从 Anaconda 到 PyTorch，再到 CUDA 和 cuDNN。嗯，每一步我都会告诉你：为什么要这么做，以及我踩过的坑。

本章核心目标： 搭建一个可运行的深度学习开发环境，确保 GPU 可用，并能跑通一个简单的 PyTorch 程序。

2.1 为什么用 Anaconda？

你可能听说过 Python 的虚拟环境。说白了，就是给你的每个项目一个独立的“小房间”。房间里的 Python 版本、库的版本互不干扰。

我个人习惯用 Anaconda 来管理这些房间。它自带 conda 命令，比 pip 更擅长处理一些底层依赖，比如 CUDA 相关的包。你想想看，如果两个项目一个要 PyTorch 1.10，一个要 2.0，没有虚拟环境，你怎么办？

小提示： 如果你硬盘空间紧张，可以装 Miniconda——它只有 Anaconda 的核心功能，没有预装那些你可能永远用不到的包。

2.2 安装 Anaconda

去官网下载对应系统的安装包。Windows 用户记得选 64-Bit Graphical Installer。Linux 用户用命令行跑 .sh 文件。

安装时有个坑——Windows 上记得勾选 "Add Anaconda to my PATH environment variable"。虽然安装程序会警告你不推荐，但我建议你勾上。不然后面每次打开终端都要手动激活 conda，很烦。

安装完成后，打开终端（或 Anaconda Prompt），输入：

conda --version

如果看到版本号，恭喜你，第一步走通了。

2.3 创建虚拟环境

我个人习惯给每个项目建一个独立环境。名字起得有意义一点，比如 yolo_env。

conda create -n yolo_env python=3.9 -y

这里指定 Python 3.9。为什么是 3.9？因为 PyTorch 对它的支持最稳定。我曾经试过 Python 3.11，结果有些库还没适配，折腾了半天。

创建完成后，激活环境：

conda activate yolo_env

你会看到终端前面多了 (yolo_env) 字样。这说明你现在就在这个“小房间”里了。

注意： 每次打开新终端，都要先 conda activate yolo_env。不然你装的包都跑到 base 环境里去了，那就白建了。

2.4 安装 PyTorch

PyTorch 的安装方式取决于你有没有 NVIDIA 显卡。先确认一下：

  • 有 NVIDIA 显卡： 去 PyTorch 官网（pytorch.org）选你的配置，复制命令。
  • 没有显卡： 装 CPU 版本，也能跑代码，就是慢一点。

以我常用的配置为例（CUDA 11.8）：

conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

如果你网速慢，可以加 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/ 用清华镜像。不过要注意，镜像站的包可能不是最新版。

小技巧： 安装时如果卡在 "Solving environment"，可以试试用 pip 装：pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118。pip 有时候比 conda 快。

2.5 CUDA 与 cuDNN 配置

很多人搞不清 CUDA 和 cuDNN 的关系。我打个比方：

  • CUDA 是 NVIDIA 的“通用计算平台”，让显卡能跑通用程序。
  • cuDNN 是专门为深度学习优化的“加速库”，基于 CUDA。

换句话说，CUDA 是基础，cuDNN 是上层应用。PyTorch 安装时自带了 cuDNN，所以你通常不需要手动装。但如果你要自己编译一些底层代码，就得配好。

检查 CUDA 是否可用：

nvidia-smi

你会看到显卡信息、驱动版本、CUDA 版本。注意：这里的 CUDA 版本是驱动支持的最高版本，不是 PyTorch 用的版本。PyTorch 用的是它自己编译时链接的 CUDA 版本。

避坑指南： 我曾经在服务器上装 PyTorch，nvidia-smi 显示 CUDA 12.0，但我装了 PyTorch 的 CUDA 11.8 版本。结果跑起来完全没问题。为什么？因为驱动是向下兼容的。只要驱动版本 >= PyTorch 需要的版本就行。

2.6 验证环境

环境搭好了，得验证一下。写个简单的 Python 脚本：

import torch

# 检查 PyTorch 版本
print("PyTorch 版本:", torch.__version__)

# 检查 CUDA 是否可用
print("CUDA 可用:", torch.cuda.is_available())

# 如果可用，打印 GPU 名称
if torch.cuda.is_available():
    print("GPU 名称:", torch.cuda.get_device_name(0))
    print("GPU 数量:", torch.cuda.device_count())

保存为 check_env.py，然后在终端运行：

python check_env.py

如果输出类似这样，说明环境没问题：

PyTorch 版本: 2.0.1
CUDA 可用: True
GPU 名称: NVIDIA GeForce RTX 3080
GPU 数量: 1

如果 CUDA 可用: False，别慌。先检查显卡驱动，再确认 PyTorch 版本是否匹配。我遇到过有人装了 CPU 版本的 PyTorch，那当然检测不到 GPU。

快速验证： 跑一个简单的张量运算，看看 GPU 是否真的在工作： 
import torch
x = torch.randn(3, 3).cuda()
print(x @ x.T)  # 矩阵乘法
如果没报错，说明 GPU 正常。

2.7 知识体系总览

下面这张图概括了本章的核心流程。你可以把它当作一个检查清单：

环境搭建知识体系 Anaconda / Miniconda 创建虚拟环境 安装 PyTorch CUDA 驱动检查 cuDNN 配置 验证环境 核心原则：先装驱动 → 再装 PyTorch → 最后验证。顺序别搞反。

2.8 常见问题与解决方案

问题 可能原因 解决方法
conda: command not found Anaconda 未加入 PATH 重新安装并勾选 "Add to PATH"，或手动添加环境变量
torch.cuda.is_available() 返回 False PyTorch 版本与驱动不匹配，或装了 CPU 版本 运行 nvidia-smi 检查驱动版本，重新安装对应 CUDA 版本的 PyTorch
安装 PyTorch 时网络超时 默认源在国外，速度慢 使用清华镜像源，或换 pip 安装
虚拟环境激活后 pip 仍指向全局 环境变量顺序问题 运行 which pip 确认路径，必要时 conda install pip 重新安装 pip
我的经验： 如果你用的是 Windows，强烈建议用 Anaconda Prompt 而不是 cmd 或 PowerShell。Anaconda Prompt 会自动配置好环境变量，省去很多麻烦。

2.9 本章小结

环境搭建说难不难，说简单也不简单。关键在于理解每一步在做什么，而不是机械地复制命令。

记住几个要点：

  • 用 Anaconda 管理虚拟环境，隔离项目依赖
  • PyTorch 版本要和 CUDA 驱动匹配
  • 装完后一定要验证，别等到跑代码才发现问题
← 上一章 📖 返回目录 下一章 →