第二章：深度学习环境配置——从裸机到炼丹炉
说实话，环境配置这件事，看着不起眼，但坑起来真要命。我见过太多同学花了两周调模型，结果发现是CUDA版本不对——这种冤枉路，咱们不走。
这一章，我把这些年踩过的坑、总结的经验，一次性说清楚。
2.1 CUDA/cuDNN：GPU的“驱动程序”
CUDA是什么？说白了，就是NVIDIA给GPU写的“翻译官”。你的PyTorch代码说人话，GPU只懂机器码，CUDA在中间做翻译。
cuDNN呢？它是CUDA的“加速包”。专门优化卷积、池化这些深度学习常用操作。没有它，训练速度能慢3-5倍。
安装步骤（我习惯的流程）
- 查显卡驱动：终端输入
nvidia-smi，看右上角CUDA Version。比如显示11.8，那你就装CUDA 11.x系列。 - 下载CUDA Toolkit：去NVIDIA官网，选对应版本。我建议用runfile安装，别用deb，容易出依赖问题。
- 配置环境变量：在
~/.bashrc里加两行：export PATH=/usr/local/cuda-11.8/bin:$PATH export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH - 验证安装：
nvcc --version看到版本号就对了。 - 装cuDNN：下载对应版本的tar包，解压后把文件复制到CUDA目录下。记得给权限。
2.2 PyTorch vs TensorFlow：我选哪个？
这个问题，几乎每个学生都问过我。我的回答很直接：
| 对比项 | PyTorch | TensorFlow |
|---|---|---|
| 上手难度 | 低，像写Python | 中，概念多 |
| 调试体验 | 好，能直接print | 一般，得用tf.print |
| 部署生态 | 一般，但Triton支持了 | 强，TF Serving成熟 |
| 学术圈 | 主流，论文代码多是PyTorch | 偏工业 |
| 动态图 | 原生支持 | 2.x后支持，但有点别扭 |
我个人习惯：研究阶段用PyTorch，生产部署用TensorFlow。但说实话，现在PyTorch的部署工具也越来越好了，你选一个深入学就行。
2.3 Docker环境搭建：一次配置，到处运行
为什么要用Docker？你想想看，你在一台机器上配好了环境，换台机器又要重来。而且不同项目可能依赖不同版本的CUDA——这时候Docker就是救星。
我常用的Dockerfile长这样：
FROM nvidia/cuda:11.8.0-cudnn8-devel-ubuntu20.04
RUN apt-get update && apt-get install -y \
python3.8 python3-pip git vim
RUN pip3 install torch==2.0.0 torchvision==0.15.0
WORKDIR /workspace
CMD ["/bin/bash"]构建命令：docker build -t mydl:latest .
运行命令：docker run --gpus all -it --rm mydl:latest
--gpus all，否则容器里看不到GPU。我第一次用Docker就忘了这个，查了半天为什么训练这么慢。
2.4 多GPU配置：让训练飞起来
单卡训练太慢？那就上多卡。但多GPU不是简单插上就能用，需要配置。
PyTorch多卡训练（我常用的方式）
import torch
import torch.nn as nn
# 方式1：DataParallel（简单，但慢）
model = nn.DataParallel(model)
# 方式2：DistributedDataParallel（推荐，快很多）
torch.distributed.init_process_group(backend='nccl')
model = nn.DistributedDataParallel(model)为什么推荐DDP？因为它每个GPU独立计算梯度，然后同步。DataParallel是主卡收集再分发，主卡容易成为瓶颈。
lr * sqrt(num_gpus) 来调。
2.5 实验管理工具：WandB vs TensorBoard
训练模型时，你是不是也这样：跑了一晚上，第二天忘了参数，或者想对比两次实验找不到日志？
实验管理工具就是解决这个问题的。
TensorBoard（本地轻量级）
from torch.utils.tensorboard import SummaryWriter
writer = SummaryWriter('runs/exp1')
for epoch in range(100):
loss = train()
writer.add_scalar('Loss/train', loss, epoch)启动：tensorboard --logdir=runs
WandB（云端协作）
import wandb
wandb.init(project='my_project', config={
'lr': 0.001,
'batch_size': 32
})
for epoch in range(100):
loss = train()
wandb.log({'loss': loss})我个人习惯：本地调试用TensorBoard，正式实验用WandB。WandB的好处是能在线看曲线，还能和团队共享。有一次我出差，用手机看WandB发现模型过拟合了，远程改了参数——这种体验，TensorBoard给不了。
wandb.init() 里把config写全。我见过有人忘了记录学习率，结果复现不了——那叫一个痛苦。
本章知识体系
下面这张图，是我梳理的环境配置核心逻辑。你照着这个顺序来，基本不会出错。
嗯，环境配置这部分，说难不难，说简单也不简单。关键是要有耐心，一步一步来。我刚开始配环境时，也经常搞到半夜。但只要你按照上面的流程走一遍，后面就顺了。
记住：环境配好了，后面调参才有效率。别急着跑模型，先把地基打牢。
公众号:蓝海资料掘金营，微信deep3321