第4章 环境搭建与工具链：Python环境配置、OpenCV、NumPy、Matplotlib、PyTorch/TensorFlow安装、GPU加速验证

说实话，很多同学在暗光增强这条路上栽的第一个跟头，不是算法太难，而是环境没搭好。我见过太多人花了两天装库，最后发现GPU根本没用上，跑一张图要半小时。嗯，这一章咱们就把这事彻底理清楚。

4.1 整体工具链概览

做暗光增强，说白了就是跟像素矩阵打交道。你需要一套趁手的工具：

• Python — 胶水语言，把一切粘起来
• NumPy — 矩阵运算的基石，图像本质就是多维数组
• OpenCV — 图像读写、预处理、后处理，一步到位
• Matplotlib — 可视化对比，调参时全靠它看效果
• PyTorch / TensorFlow — 深度学习引擎，二选一即可
• CUDA + cuDNN — GPU加速的钥匙

我个人习惯用PyTorch做研究原型，TensorFlow部署生产。但初学者选一个深入就够了，别两头都学，容易乱。

4.2 Python环境配置

我建议直接用Miniconda，别用原生Python。为什么？因为项目之间依赖隔离太重要了。我曾经在一个环境里同时做暗光增强和目标检测，结果OpenCV版本打架，浪费了一整天。

# 下载Miniconda（Python 3.8+）
# 创建专用环境
conda create -n lowlight python=3.9 -y
conda activate lowlight

# 验证Python版本
python --version
# 输出应为：Python 3.9.x

4.3 核心库安装

按这个顺序装，不容易出幺蛾子。我踩过的坑都标在下面了。

4.3.1 NumPy — 矩阵运算的根基

conda install numpy
# 或
pip install numpy

# 验证
python -c "import numpy; print(numpy.__version__)"
# 建议版本：≥ 1.21.0

NumPy是后面所有库的依赖，先装它。暗光增强里，一张1920×1080的RAW图就是一个(1080, 1920, 3)的ndarray，你想想看，没有NumPy寸步难行。

4.3.2 OpenCV — 图像处理瑞士军刀

pip install opencv-python
pip install opencv-contrib-python  # 包含额外模块

# 验证
python -c "import cv2; print(cv2.__version__)"
# 建议版本：≥ 4.5.0

4.3.3 Matplotlib — 调参必备可视化

pip install matplotlib

# 验证
python -c "import matplotlib; print(matplotlib.__version__)"
# 建议版本：≥ 3.3.0

暗光增强里，你经常需要并排显示原图、增强图、直方图。Matplotlib的subplot功能就是干这个的。

4.4 深度学习框架安装

这里二选一。我个人的经验是：做研究用PyTorch，调试方便；做产品用TensorFlow，部署生态好。但初学者我推荐PyTorch，社区活跃，踩坑容易搜到答案。

4.4.1 安装PyTorch（推荐）

# CPU版本（先测试用）
pip install torch torchvision torchaudio

# GPU版本（去官网选对应CUDA版本）
# CUDA 11.8 示例
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

# 验证
python -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"
# 如果GPU可用，输出应为：True

4.4.2 安装TensorFlow（备选）

# CPU版本
pip install tensorflow

# GPU版本
pip install tensorflow-gpu

# 验证
python -c "import tensorflow as tf; print(tf.__version__); print(tf.config.list_physical_devices('GPU'))"
# 如果GPU可用，会显示GPU设备列表

4.5 GPU加速验证

这是最容易翻车的一步。很多人装完以为GPU在工作，其实代码跑在CPU上。我曾经帮一个同学排查，他装了三遍，最后发现CUDA版本和显卡驱动不匹配。

4.5.1 检查显卡与驱动

# Windows
nvidia-smi

# Linux
nvidia-smi

# 输出示例：
# +-----------------------------------------------------------------------------+
# | NVIDIA-SMI 525.85.05    Driver Version: 525.85.05    CUDA Version: 12.0     |
# | GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
# |   0  NVIDIA RTX 3090        Off  | 00000000:01:00.0  On |                  N/A |
# +-----------------------------------------------------------------------------+

看两个关键信息：Driver Version 和 CUDA Version。驱动版本决定了你能装哪个CUDA工具包。

4.5.2 CUDA与cuDNN安装

组件	版本要求	下载地址
NVIDIA驱动	≥ 525.85.05	NVIDIA官网
CUDA Toolkit	11.8 或 12.1	NVIDIA Developer
cuDNN	8.9.x（匹配CUDA版本）	NVIDIA Developer（需注册）

# 验证CUDA安装
nvcc --version
# 输出应显示CUDA版本号

# 验证cuDNN（Linux）
cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2
# 输出应显示cuDNN版本

4.5.3 完整GPU加速测试

写个小脚本，确认GPU真的在工作：

import torch
import time

# CPU测试
start = time.time()
a = torch.randn(5000, 5000)
b = torch.randn(5000, 5000)
c = a @ b
cpu_time = time.time() - start
print(f"CPU耗时: {cpu_time:.2f}秒")

# GPU测试（如果可用）
if torch.cuda.is_available():
    start = time.time()
    a = a.cuda()
    b = b.cuda()
    c = a @ b
    torch.cuda.synchronize()  # 等待GPU完成
    gpu_time = time.time() - start
    print(f"GPU耗时: {gpu_time:.2f}秒")
    print(f"加速比: {cpu_time/gpu_time:.1f}x")
else:
    print("GPU不可用，请检查CUDA安装")

正常来说，5000×5000矩阵乘法，GPU比CPU快20-50倍。如果加速比小于5，说明数据没在GPU上，或者驱动有问题。

4.6 环境验证清单

把所有验证命令汇总成一个脚本，跑一遍就知道环境是否就绪：

# check_env.py
import sys
import numpy as np
import cv2
import matplotlib
import torch

print(f"Python: {sys.version}")
print(f"NumPy: {np.__version__}")
print(f"OpenCV: {cv2.__version__}")
print(f"Matplotlib: {matplotlib.__version__}")
print(f"PyTorch: {torch.__version__}")
print(f"CUDA可用: {torch.cuda.is_available()}")
if torch.cuda.is_available():
    print(f"GPU型号: {torch.cuda.get_device_name(0)}")
    print(f"显存: {torch.cuda.get_device_properties(0).total_memory / 1e9:.1f} GB")

4.7 常见问题与解决方案

问题	原因	解决方案
ImportError: No module named cv2	OpenCV未安装或环境不对	pip install opencv-python，确认在正确环境
torch.cuda.is_available() 返回 False	CUDA版本不匹配或驱动太旧	nvidia-smi 检查驱动，重装匹配的CUDA
CUDA out of memory	显存不足，batch size太大	减小batch size，或使用梯度累积
OpenCV读取图片为None	路径错误或图片损坏	用os.path.exists()检查路径，用PIL测试读取
Matplotlib中文乱码	缺少中文字体	设置plt.rcParams['font.sans-serif']=['SimHei']