环境准备：工欲善其事，必先利其器
说实话，我见过太多人一上来就急着写代码，结果环境没配好，折腾半天连个"Hello World"都跑不出来。做金融大模型更是如此——数据量大、依赖多，环境配不好，后面全是坑。
这一章，我带你把基础环境搭好。跟着我的节奏来，半小时搞定。
Python基础环境搭建
Python版本怎么选？我个人习惯用3.8或3.9。为什么？因为很多金融相关的库（比如TA-Lib、PyPortfolioOpt）在3.10以上版本偶尔会出兼容问题。你想想看，项目做到一半发现某个库装不上，多闹心。
下载地址：python.org
安装时记得勾选"Add Python to PATH"。这个选项我吃过亏——第一次装的时候没勾，后面在命令行里打python死活找不到，折腾了半小时才发现。
装完后验证一下：
python --version
pip --version能看到版本号，说明装好了。
Anaconda安装与配置
Anaconda是什么？说白了就是一个Python的"全家桶"。它帮你管理不同项目的环境，避免库版本打架。
我在做量化回测时，一个项目用TensorFlow 1.x，另一个用2.x。如果没有Anaconda，这两个项目根本没法共存。有了conda环境，各玩各的，互不干扰。
下载地址：anaconda.com
安装时注意：
- 选"Just Me"安装，别选"All Users"
- 安装路径同样不要有中文
- 安装过程中会问是否添加PATH，建议勾上
装完后，打开命令行（或Anaconda Prompt），试试：
conda --version接下来，我建议你创建一个专门用于金融大模型的环境：
conda create -n fin_llm python=3.9
conda activate fin_llm为什么要单独建环境？嗯，这里要注意——金融大模型依赖的库版本比较特殊，比如transformers、torch这些，版本不对直接报错。单独建个环境，出了问题删了重来，不影响系统Python。
Jupyter Notebook使用
Jupyter Notebook是做什么的？它让你能边写代码边看结果，特别适合做数据探索和模型实验。
安装很简单：
pip install jupyter
# 或者用conda
conda install jupyter启动：
jupyter notebook浏览器会自动打开一个页面。点"New" -> "Python 3"，就能新建一个Notebook了。
我刚开始用Jupyter时，有个坏习惯——把所有代码写在一个单元格里。结果跑起来报错，根本不知道哪行出了问题。后来学乖了：一个单元格只做一件事。比如：
- 单元格1：导入库
- 单元格2：加载数据
- 单元格3：数据清洗
- 单元格4：模型训练
这样调试起来特别方便，哪一步出问题一目了然。
- Shift + Enter：运行当前单元格并跳到下一个
- Ctrl + Enter：运行当前单元格但不跳转
- Esc + A：在当前单元格上方插入新单元格
- Esc + B：在当前单元格下方插入新单元格
- Esc + M：将单元格切换为Markdown模式（写说明文字用）
还有一个我踩过的坑——Notebook里的变量是全局共享的。如果你不小心把一个大模型加载到内存里，然后删了某个单元格，模型还在内存里。我曾经因为这个把16G内存跑爆了。解决办法：重启Kernel（Kernel -> Restart）。
GPU环境说明
做金融大模型，GPU几乎是必需品。为什么？因为大模型动辄几亿参数，用CPU跑一个训练可能要几天，GPU几个小时就搞定了。
先看看你的电脑有没有NVIDIA显卡：
nvidia-smi如果显示显卡信息，说明有NVIDIA GPU。如果没有，也别急——可以用Google Colab或者云GPU服务。
安装CUDA和cuDNN：
- CUDA：NVIDIA的并行计算平台
- cuDNN：深度学习加速库
版本匹配很重要。我见过有人装了CUDA 11.8，但PyTorch要求CUDA 11.7，结果死活跑不起来。建议先查PyTorch官网，看它支持哪个CUDA版本，再对应安装。
安装PyTorch（GPU版）：
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118验证GPU是否可用：
import torch
print(torch.cuda.is_available()) # 返回True说明GPU可用
print(torch.cuda.get_device_name(0)) # 显示显卡型号如果你用的是Mac（M1/M2芯片），也有GPU加速方案：
pip install torch torchvision torchaudioMac的MPS加速：
import torch
print(torch.backends.mps.is_available()) # 返回True说明可用本章知识体系
下面这张图，帮你理清整个环境准备的核心逻辑：
环境准备这块，说白了就是"一次配置，长期受益"。我见过太多人因为环境问题浪费一两天时间，最后发现只是某个库版本不对。所以，耐心配好环境，后面你会感谢自己的。