深度学习的入门门槛很大程度上不在算法本身而在一套能跑通训练流程的开发环境。很多初学者一开始信心满满结果在装软件、配依赖、解决版本冲突这一步就耗了好几天。实际上只要理解了装环境的核心逻辑掌握了Anaconda、PyTorch、编辑器这三件套的正确安装方式后面的学习会顺畅很多。本文将完整拆解一套“零基础也能照抄”的深度学习环境搭建流程包括 Anaconda 的下载安装、虚拟环境的创建、PyTorch 的 CPU 与 GPU 版本安装、VS Code 和 PyCharm 的配置方式以及高频报错的排查思路。无论你只是想跑跑官方示例还是准备进入 CV、NLP 等方向的实战项目这篇文章都值得收藏备用。1. 搭建深度学习环境前需要理解的概念在真正动手安装之前先用几分钟把几个核心概念理清楚。很多新手在安装过程中犯迷糊就是因为没搞明白 Anaconda、PyTorch、编辑器分别承担什么职责。1.1 为什么选择 Anaconda 作为环境入口Anaconda 是一个 Python 发行版它本身包含了 Python 解释器以及 conda 这个强大的包管理和环境管理工具。换句话说安装 Anaconda 之后你不需要再单独安装 Python同时还能获得一个非常方便的“环境隔离”方案。深度学习项目对包版本非常敏感不同项目的依赖经常互相冲突。例如项目 A 用 PyTorch 1.13项目 B 用 PyTorch 2.x如果装在同一个全局 Python 环境里很容易出现“装 A 后 B 无法运行”的情况。而 Anaconda 的虚拟环境机制相当于为每个项目单独开辟一个干净的“房间”互不影响。1.2 PyTorch 是什么解决什么问题PyTorch 是一个开源的深度学习框架由 Meta 推出是目前学术界和工业界使用最广泛的框架之一。它支持张量计算、自动求导、GPU 加速和丰富的神经网络模块可以用来构建 CNN、RNN、Transformer 等主流模型。在环境搭建阶段我们重点关心的是PyTorch 分为 CPU 版本和 GPU 版本GPU 版本需要配合 CUDA 工具包使用。这个选择会直接影响后续训练速度和使用体验。1.3 编辑器和编译器的区别很多新手会把“编辑器”和“编译器”混为一谈。简单来说编辑器是编写代码的工具例如 VS Code、PyCharm、Vim。编译器是把源代码翻译成机器能执行的代码的工具例如 gcc、javac。Python 作为一种解释型语言甚至不经过传统意义上的编译过程而是由 Python 解释器逐行执行。因此在深度学习开发中我们只要选一个顺手的编辑器然后确保它使用的 Python 解释器指向 Anaconda 创建的虚拟环境即可。理解这个区别很重要。经常有人问“为什么我在 PyCharm 里写了代码却无法运行”其实不是代码问题而是 PyCharm 没有正确绑定 Anaconda 环境中的 Python 解释器。2. 安装前的准备工作在开始安装之前建议先花 5 分钟检查一下电脑的硬件和系统情况避免装到一半发现显卡不支持或磁盘空间不足。2.1 检查操作系统和系统位数目前深度学习开发最常见的是 Windows 10/11、Ubuntu、macOS。如果你使用 Windows需要确认系统是 64 位因为主流深度学习框架对 32 位系统的支持已经非常有限。查看系统位数的方法桌面右键“此电脑” - 属性 - 查看“系统类型”确认是“64 位操作系统”。2.2 确认是否需要使用 GPU如果电脑有 NVIDIA 显卡NVIDIA GeForce、Quadro、RTX 系列等优先安装 PyTorch GPU 版本训练速度比 CPU 快几十倍甚至上百倍。如果没有 NVIDIA 显卡或者使用的是 AMD 显卡可以先安装 CPU 版本学习基本语法和模型结构等后续有 GPU 设备再升级。检查显卡的方式桌面“此电脑”右键 - 管理 - 设备管理器 - 显示适配器即可看到显卡型号。2.3 磁盘空间和网络准备Anaconda 本身约 500 MB创建虚拟环境后每个环境还会占用 1 到 3 GB 空间安装 CUDA 工具包相关组件也需要额外空间。建议所在盘符预留至少 10 GB 空闲空间。另外由于官方源下载速度不稳定建议提前准备好国内镜像源配置方案本文第 4 节会详细说明。3. Anaconda 的下载与安装Anaconda 的安装是所有环节中最基础的一步。这里以 Windows 系统为例Linux 和 macOS 的操作逻辑类似。3.1 Anaconda 下载渠道Anaconda 官方下载地址为https://www.anaconda.com/download如果官方链接访问较慢可以使用清华大学开源软件镜像站https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/镜像站页面会列出多个版本的 Anaconda 安装包。建议选择较新的稳定版本例如 Anaconda3-2024.xx 或更新版本。文件名中带有x86_64的代表 64 位安装包适合绝大多数现代电脑。需要注意不要在下载过程中随意更换网络环境避免下载中断导致安装包损坏。3.2 Windows 安装 Anaconda 详细步骤下载完成后双击安装包按照以下步骤操作点击 Next 进入下一步。在 License Agreement 界面点击 I Agree。在 Install for 界面中选择 Just Me推荐个人使用。在 Destination Folder 界面选择安装路径注意路径不要包含中文和空格例如D:\Anaconda3。在 Advanced Options 界面勾选 Add Anaconda3 to my PATH environment variable 和 Register Anaconda3 as my default Python。建议将 Anaconda 加入 PATH否则后续命令行使用会多出很多麻烦。安装完成后打开命令提示符输入以下命令验证conda --version如果输出类似conda 24.x.x说明安装成功。3.3 配置国内镜像源为了后续下载包的速度建议第一时间配置国内镜像源。以清华源为例在命令提示符中依次执行conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --set show_channel_urls yes配置完成后可以执行conda config --show channels查看当前镜像源是否生效。4. 创建虚拟环境并安装 PyTorch4.1 什么是虚拟环境为什么需要它虚拟环境就像一个独立的 Python 空间。你在里面安装任何包都不会影响系统中的其他环境。这样当你做不同项目时可以针对每个项目定制依赖避免版本冲突。在 Anaconda 中创建虚拟环境非常方便一句话命令即可完成。4.2 创建 PyTorch 虚拟环境打开命令行工具Windows 建议打开 Anaconda PromptLinux/Mac 打开终端执行conda create -n pytorch python3.10这里的-n pytorch表示环境名称python3.10表示使用 Python 3.10 版本。建议选择 3.8 到 3.11 之间的版本兼容性较好。执行后命令行会提示你确认安装输入y回车即可。激活环境# Windows conda activate pytorch # Linux / macOS source activate pytorch激活后命令行前面会出现(pytorch)字样表示已经进入该环境。4.3 安装 CPU 版本 PyTorch如果需要快速体验 PyTorch或者电脑没有 NVIDIA 显卡执行pip install torch torchvision torchaudio这里使用 pip 而不是 conda是因为 PyTorch 官方对 pip 包的支持非常及时安装速度也相对更快。如果速度较慢可以临时使用清华 pip 源pip install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple4.4 安装 GPU 版本 PyTorchGPU 版本的安装核心在于选择合适的 CUDA 版本。PyTorch 官方会根据 CUDA 版本提供对应的安装命令可以在官网首页选择参数后自动生成。如果当前环境是 CUDA 11.8可使用以下命令pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118如果希望使用清华源加速下载也可以先指定 PyTorch 官方源下载产生缓存再本地安装。不过更推荐直接使用官方源一次性装好避免 CUDA 动态库缺失问题。需要注意的是GPU 版本安装成功并不代表能立刻调用 GPU还需要系统装有匹配的 NVIDIA 显卡驱动和 CUDA 工具包。在安装前可以先检查驱动是否正常nvidia-smi如果命令提示找不到需要先到 NVIDIA 官网下载对应显卡的驱动。4.5 验证 PyTorch 是否安装成功在激活环境后输入python进入 Python 交互环境然后执行import torch print(torch.__version__)如果输出1.13.0或2.x.x等版本号说明 PyTorch 安装成功。检查 GPU 是否可用print(torch.cuda.is_available())如果输出True说明 GPU 版本配置成功如果输出False说明当前安装的是 CPU 版本或者 CUDA 驱动有问题需要回到上一节排查。5. 选择合适的编辑器并配置环境搭建完成之后还需要一个顺手的编辑器来写代码和调试。目前深度学习领域最常用的两个选择是 VS Code 和 PyCharm。5.1 VS Code 的安装与配置VS Code 是微软出品的免费编辑器轻量、插件丰富非常适合 Python 开发和深度学习项目。下载地址https://code.visualstudio.com/安装完成后推荐安装以下扩展Python微软官方扩展Pylance智能提示Jupyter在 VS Code 中运行 Notebook在 VS Code 中按CtrlShiftP输入Python: Select Interpreter选择刚刚创建的pytorch环境。这样 VS Code 中的所有终端、调试和代码提示都会使用该环境的 Python 解释器。5.2 PyCharm 的安装与配置PyCharm 是 JetBrains 出品的专业 Python IDE功能更全面适合大型项目开发。社区版免费足以覆盖深度学习日常开发。下载地址https://www.jetbrains.com/pycharm/download/安装完成后新建项目时在 Python Interpreter 设置中选择 Existing environment然后找到 Anaconda 虚拟环境中的 python.exe。Windows 下路径通常是C:\Users\你的用户名\anaconda3\envs\pytorch\python.exe配置完成后PyCharm 的终端也会自动激活对应的 conda 环境可以直接运行训练脚本。5.3 Jupyter Notebook 的使用除了传统编辑器Jupyter Notebook 也是深度学习中非常重要的交互式工具适合快速验证代码和可视化数据。Anaconda 默认自带 Jupyter Notebook也可以手动安装。在激活pytorch环境后执行conda install jupyter jupyter notebook浏览器会自动打开 Notebook 界面此时创建的新文档会自动使用当前环境的内核。6. 构建一个可以直接运行的深度学习小例子环境配置完成后写一个小例子验证全链路是否真正跑通。这里不涉及复杂模型只需要验证“编辑代码 - 进入虚拟环境 - 运行脚本”这个完整流程。6.1 创建项目目录为了方便管理建议创建一个专门存放深度学习练习的目录例如D:\DeepLearning在该目录下创建一个名为demo.py的文件。6.2 编写一个简单的 PyTorch 张量运算打开demo.py输入以下代码import torch def main(): x torch.tensor([1.0, 2.0, 3.0]) y torch.tensor([4.0, 5.0, 6.0]) z x y print(x:, x) print(y:, y) print(x y:, z) print(PyTorch version:, torch.__version__) if __name__ __main__: main()6.3 运行脚本确保当前命令行已经激活pytorch环境然后运行python demo.py预期输出x: tensor([1., 2., 3.]) y: tensor([4., 5., 6.]) x y: tensor([5., 7., 9.]) PyTorch version: 2.x.x输出正常说明环境搭建成功可以进入下一步的深度学习学习。6.4 再进一步验证 GPU 计算如果你的环境配置了 GPU 版本可以写一个更完整的验证脚本import torch import torch.nn as nn def main(): device torch.device(cuda if torch.cuda.is_available() else cpu) print(Using device:, device) # 创建模型并移动到 GPU model nn.Linear(10, 1).to(device) # 构造随机输入 x torch.randn(32, 10).to(device) # 前向传播 output model(x) print(Output shape:, output.shape) if __name__ __main__: main()如果输出Using device: cuda说明 PyTorch 已经能够调用 GPU 进行模型训练环境配置的所有环节都验证通过了。7. 常见问题与排查思路在搭建深度学习环境的过程中新手最容易在几个环节卡住。下面的表格汇总了高频问题、可能原因和解决方向。问题现象常见原因解决思路conda 命令无法识别安装时未加入 PATH重新安装 Anaconda 并勾选加入 PATH或手动配置环境变量libpython 相关报错Python 版本与依赖包不兼容创建环境时指定 Python 3.9 或 3.10 再安装 PyTorchimport torch 报错 ModuleNotFoundErrorPyTorch 未安装到当前环境先确认激活的是哪个环境使用 conda activate 切换torch.cuda.is_available() 返回 FalseGPU 驱动缺失或 PyTorch 版本不匹配运行 nvidia-smi 查看驱动检查 CUDA 版本和 PyTorch 安装命令安装速度过慢使用官方源配置清华镜像源加速创建环境时出现 404 错误conda 源配置不正确检查 .condarc 配置文件删除错误 channel在 VS Code 中无法运行代码解释器指向错误使用 CtrlShiftP 选择正确的 Python 解释器PyCharm 中 conda 环境找不到虚拟环境路径不对在 conda 环境中执行 conda info --envs 查看路径CUDA 版本与 PyTorch 不匹配驱动版本太低更新 NVIDIA 驱动到较新版本后再装 PyTorch7.1 一个很典型的报错channel 404有读者反馈在创建环境或安装包时出现UnavailableInvalidChannel: HTTP 404 NOT FOUND for channel anaconda/pkgs/msys这个报错通常是 conda 配置了错误的 channel 源导致的。解决方法是查看并修正.condarc文件。在命令行执行conda config --show channels然后重新写入正确的源。如果不想手动编辑可以直接删除.condarc文件恢复默认配置conda config --remove-key channels之后再重新按照第 3.3 节配置国内镜像源。7.2 为什么 Pip 安装很慢默认 pip 使用 PyPI 官方源在国内网络环境下经常出现几百 KB/s 甚至更慢的下载速度。推荐使用清华源或阿里源。永久配置清华 pip 源pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple配置之后后续所有 pip install 操作都会走国内源速度有明显提升。8. 深度学习环境工程化配置建议环境搭建只是第一步真正让开发效率提升的是一套良好的环境和项目管理习惯。下面几条建议是长期实践中总结出来的适合在正式投入项目开发前提前建立。8.1 一个项目一个环境不要所有深度学习项目共用一个虚拟环境。每开始一个新项目时创建对应名称的新环境例如conda create -n yolo python3.9 conda create -n transformer python3.10这样不同项目的依赖完全隔离即使一个项目需要升级 PyTorch也不会影响其他项目的稳定性。8.2 使用 requirements.txt 管理依赖为了方便复现项目环境建议项目根目录维护一个requirements.txt记录所有依赖包。在当前环境中导出依赖pip freeze requirements.txt在新环境安装依赖pip install -r requirements.txt如果是使用 conda 管理的包也可以用conda list --export conda_env.txt这样可以确保其他人克隆你的项目后能快速复现相同环境。8.3 注意版本锁定深度学习框架迭代速度非常快不同版本之间的 API 可能有细微差别。在正式项目中建议记录 PyTorch、Python、CUDA 的具体版本并尽量保持与训练环境一致。例如Python 3.10.13PyTorch 2.1.2CUDA 11.8显卡驱动版本 5xx.xx这些信息可以写在项目的 README 中方便后续排查问题。8.4 谨慎使用 conda install 和 pip install 混装在同一个环境中尽量使用同一种包管理器。如果确实需要混用先使用 pip 安装 PyTorch 等大型依赖再通过 conda 安装其他依赖避免发生依赖解析冲突。8.5 定期清理不用的环境随着项目增多会积累越来越多的虚拟环境占用大量磁盘空间。可以定期查看现有环境conda env list删除不再使用的环境conda remove -n old_env --all这样既节省空间也减少混乱。9. 总结这套环境搭建流程已经核对了从 Anaconda 安装、虚拟环境配置到 PyTorch 安装和编辑器设置的全部关键节点覆盖了国内用户常见网络环境下的操作路径。文章中以 Windows NVIDIA GPU 环境为主线CPU 版本和 AMD 显卡特殊情况的处理方式也已同步补充。环境搭好之后建议下一步先跑几个公开的经典模型示例例如 MNIST 手写数字识别感受一下张量计算和自动求导的基本逻辑。不用急着读很深的源码先建立“代码能跑起来”的正反馈再逐步深入前向传播、反向传播和网络结构设计。遇到报错时优先回看本文第 7 节的排查思路大部分环境问题都能在那里找到方向。