3、Python环境搭建：Anaconda安装、虚拟环境创建、TensorFlow/PyTorch安装与验证
好，咱们正式开始动手了。
这一章，说白了就是给你的深度学习实验搭个窝。我见过太多同学，模型写好了，结果环境配了三天，最后发现是CUDA版本不对——这种坑，我踩过不止一次。所以，咱们稳一点，一步步来。
3.1 为什么非要用Anaconda？
你可能会问：我直接装个Python不行吗？
行，但你会后悔。做深度学习，你至少需要管理三四个不同的项目。每个项目依赖的Python版本、库版本可能都不一样。比如睡眠分期这个项目，我可能用TensorFlow 2.10，另一个项目用PyTorch 2.0。如果全装在一个环境里，迟早会冲突。
Anaconda就是来解决这个问题的。它自带Python，还能创建独立的虚拟环境。每个环境就像一个小盒子，互不干扰。
核心要点： Anaconda = Python + 包管理器(conda) + 虚拟环境管理器。你只需要装一次，后面所有项目都在各自的环境里跑。
3.2 Anaconda安装实战
我个人习惯用Miniconda，它比完整版Anaconda轻量很多，只保留核心功能。当然，你用Anaconda也没问题，就是安装包大了点（约500MB vs 50MB）。
3.2.1 下载与安装
- 去官网下载对应系统的安装包（Windows/Mac/Linux）
- 双击安装，一路默认即可
- 注意： Windows用户记得勾选“Add Anaconda to my PATH environment variable”
我曾经在Windows上没勾这个选项，结果后面每次打开终端都要手动激活conda，烦得很。所以，这一步别省。
3.2.2 验证安装
打开终端（Windows用cmd或PowerShell，Mac/Linux用bash），输入：
conda --version如果看到类似 conda 23.7.4 的输出，说明装好了。
3.3 创建虚拟环境
好，现在我们来给睡眠分期项目单独建一个窝。
3.3.1 创建环境
conda create -n sleep_staging python=3.9这里 -n sleep_staging 是环境名字，你可以随便起。Python版本我推荐3.9，因为TensorFlow和PyTorch对它的支持最稳定。3.10以上有些库还没完全适配。
3.3.2 激活环境
conda activate sleep_staging激活后，终端前面会出现 (sleep_staging) 字样，说明你已经在虚拟环境里了。
小技巧： 每次打开新终端，记得先激活环境。我刚开始经常忘记，结果装了一堆库到base环境里，后来全乱了。
3.4 安装深度学习框架
这里有个选择题：TensorFlow还是PyTorch？
我的建议是：两个都装。虽然咱们课程主要用TensorFlow，但PyTorch在学术界更流行。你以后做研究、读论文，大概率会用到。而且，两个框架的安装命令几乎一样，不费事。
3.4.1 安装TensorFlow
pip install tensorflow==2.10.0为什么指定2.10.0？因为这是最后一个原生支持GPU的Windows版本。2.11以后，Windows用户只能用WSL2来跑GPU。嗯，这里要注意，如果你用的是Linux或Mac，装最新版也行。
3.4.2 安装PyTorch
去PyTorch官网（pytorch.org）选你的配置，它会生成对应的命令。比如我的是：
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118这里 cu118 表示CUDA 11.8版本。如果你没有NVIDIA显卡，或者不想用GPU，可以装CPU版本：
pip install torch torchvision torchaudio避坑指南： 我在项目中遇到过，TensorFlow和PyTorch对CUDA版本的要求不一样。比如TF 2.10需要CUDA 11.2，而PyTorch 2.0需要CUDA 11.8。怎么办？装两个CUDA版本，或者用conda自动管理。我个人习惯用conda装，它会自动帮你搞定依赖。
3.5 验证安装
装完了，怎么知道能不能用？写几行代码验证一下。
3.5.1 验证TensorFlow
python -c "import tensorflow as tf; print(tf.__version__); print('GPU可用:', tf.config.list_physical_devices('GPU'))"如果输出类似：
2.10.0
GPU可用: [PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]说明TensorFlow装好了，而且GPU也能用。
3.5.2 验证PyTorch
python -c "import torch; print(torch.__version__); print('CUDA可用:', torch.cuda.is_available())"输出：
2.0.1
CUDA可用: True如果GPU不可用怎么办？ 别慌。先检查显卡驱动：nvidia-smi。如果这个命令能跑，说明驱动没问题。再检查CUDA版本是否匹配。实在不行，先用CPU跑，咱们课程前几章的数据量，CPU也够用。
3.6 本章知识体系
下面这张图，帮你理清整个环境搭建的逻辑：
3.7 常见问题与解决
| 问题 | 原因 | 解决方法 |
|---|---|---|
conda: command not found |
没有添加到PATH | 重新安装，勾选“Add to PATH” |
| pip安装超时 | 默认源在国外 | 换国内源：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple 包名 |
| GPU不可用 | CUDA版本不匹配 | 用 nvidia-smi 查看驱动支持的CUDA版本，再装对应的框架 |
| 环境冲突 | 在base环境里乱装包 | 删掉环境重建：conda remove -n sleep_staging --all |
最后提醒一句： 别在base环境里装任何项目依赖。base环境只负责管理conda本身。所有项目都创建独立环境。这是我在无数次环境崩溃后总结的血泪教训。
好了，环境搭好了。下一章，咱们开始真正接触睡眠分期的数据。你会看到，那些脑电波信号长什么样，以及我们怎么把它们喂给模型。
公众号:蓝海资料掘金营，微信deep3321