3、Python与深度学习环境搭建：Anaconda安装、TensorFlow/PyTorch安装、CUDA与cuDNN配置、Jupyter Notebook使用

说实话，环境搭建这件事，看着简单，但坑是真不少。我带过不少学生，第一节课就卡在装环境上，一卡就是一整天。我自己当年也踩过不少雷，所以这一章，我尽量把那些容易翻车的地方都给你指出来。

3.1 Anaconda：Python的“瑞士军刀”

我个人习惯，每开始一个新项目，第一件事就是装Anaconda。为什么？因为它自带conda包管理器，能帮你隔离不同项目的Python环境。你想想看，项目A需要TensorFlow 2.x，项目B需要1.x，如果没有环境隔离，那不得打架打到头破血流？

安装步骤其实很简单：

1. 去Anaconda官网下载对应系统的安装包（Windows/Linux/macOS）
2. 一路默认安装，但记得勾选“Add Anaconda to my PATH environment variable”
3. 安装完成后，打开终端（或Anaconda Prompt），输入 conda --version 验证

装好之后，我建议你立刻创建一个专门用于脑电信号分析的虚拟环境：

conda create -n eeg_env python=3.9
conda activate eeg_env

为什么要用Python 3.9？嗯，这里要注意。TensorFlow和PyTorch对Python版本有要求，3.9是目前兼容性最好的版本。3.10以上有些老版本的库装不上，3.8以下又太老了。3.9，刚刚好。

3.2 TensorFlow vs PyTorch：我该怎么选？

这个问题，几乎每个学生都会问我。我的回答是：做脑电信号解码，两个都要会。但如果你非要选一个先学，我建议PyTorch。

为什么？因为PyTorch的调试体验更好。你想想看，写深度学习代码，90%的时间都在debug。PyTorch的动态图机制，让你可以像写普通Python代码一样逐行调试。TensorFlow 2.x虽然也支持了动态图，但总感觉差了那么点意思。

安装命令如下：

# PyTorch（CPU版本）
pip install torch torchvision torchaudio

# TensorFlow（CPU版本）
pip install tensorflow

3.3 CUDA与cuDNN：让GPU跑起来

做脑电信号解码，数据量动不动就是几百兆甚至几个G。用CPU跑？一个模型训练三天三夜。用GPU？几个小时搞定。所以，CUDA和cuDNN的配置，是绕不开的一关。

配置步骤我总结成了一张流程图，你照着走就行：

具体操作是这样的：

1. 检查显卡：终端输入 nvidia-smi，看有没有输出。如果没有，说明你没装NVIDIA驱动，或者显卡不是NVIDIA的。
2. 安装CUDA：去NVIDIA官网下载对应版本的CUDA Toolkit。注意，别装最新的，装TensorFlow/PyTorch官方文档里推荐的版本。
3. 配置cuDNN：下载cuDNN后，把里面的文件复制到CUDA安装目录下。说白了就是复制粘贴，但路径别搞错了。
4. 验证：运行 python -c "import torch; print(torch.cuda.is_available())"，如果返回 True，恭喜你，成了。

3.4 Jupyter Notebook：交互式编程利器

做脑电信号分析，我90%的时间都在Jupyter Notebook里度过。为什么？因为它太适合探索性分析了。你可以一段一段地跑代码，随时看中间结果，画个图也方便。

安装很简单：

# 在虚拟环境中安装
conda install jupyter notebook

# 或者用pip
pip install jupyter notebook

启动就更简单了：

jupyter notebook

然后浏览器会自动打开一个页面，你就能看到文件目录了。新建一个Notebook，选Python 3内核，就可以开始写代码了。

这里给你一个环境检查的代码模板，直接复制到你的Notebook里：

import sys
import tensorflow as tf
import torch

print(f"Python版本: {sys.version}")
print(f"TensorFlow版本: {tf.__version__}")
print(f"PyTorch版本: {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"CUDA版本: {torch.version.cuda}")

3.5 环境搭建常见问题与解决方案

我把这些年遇到最多的几个问题整理成了表格，你遇到类似情况可以直接查：

问题现象	可能原因	解决方案
pip install 速度极慢	默认连的是国外源	用国内镜像：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple 包名
torch.cuda.is_available() 返回 False	CUDA版本不匹配或没装对	用 nvidia-smi 检查驱动版本，去PyTorch官网重新生成安装命令
Jupyter Notebook 内核连接不上	虚拟环境没注册到Jupyter	运行 python -m ipykernel install --user --name=eeg_env
ImportError: No module named 'xxx'	包装到了别的环境	检查当前激活的是哪个环境：conda info --envs

---