2、项目环境搭建：Anaconda安装、Python虚拟环境创建、PyTorch/TensorFlow安装、CUDA与cuDNN配置
好，咱们直接进入正题。环境搭建这事儿，说难不难，说简单吧，我见过太多同学在这一步卡上好几天。说白了，就是几个工具链的版本匹配问题。你想想看，Python、深度学习框架、CUDA、cuDNN，这四个东西得互相认识才行。
我个人习惯是先把基础工具装好，再一步步往上搭。别急，咱们慢慢来。
核心要点：环境搭建的本质是版本对齐。PyTorch/TensorFlow 对 CUDA 版本有明确要求，CUDA 又依赖显卡驱动。记住这个链条：驱动 → CUDA → cuDNN → 深度学习框架。
2.1 Anaconda 安装
Anaconda 是什么？说白了就是一个 Python 的包管理器和环境管理器的集合体。我刚开始做项目时，直接在系统 Python 里装包，结果不同项目依赖冲突，搞得一团糟。后来用了 Anaconda，真香。
安装步骤很简单：
- 去官网下载对应系统的安装包（Windows/Linux/macOS）
- 双击安装，一路默认就行
- 安装完成后，打开终端或命令提示符，输入
conda --version验证
我的小建议：安装时勾选「Add Anaconda to my PATH environment variable」，这样在命令行里直接就能用 conda 命令。不过如果你用的是 Linux，我个人更推荐用 Miniconda，轻量级，够用就行。
2.2 Python 虚拟环境创建
虚拟环境，就是给你的每个项目一个独立的 Python 小房间。每个房间里的包互不干扰。我在项目中遇到过好几次，两个项目需要不同版本的 PyTorch，如果没有虚拟环境，那真是欲哭无泪。
创建虚拟环境的命令：
# 创建一个名为 defect_detection 的环境，Python 版本 3.8
conda create -n defect_detection python=3.8
# 激活环境
conda activate defect_detection
# 退出环境
conda deactivate
# 查看所有环境
conda env list嗯，这里要注意：Python 版本别选太新。我建议用 3.8 或 3.9，兼容性最好。PyTorch 和 TensorFlow 对新版 Python 的支持往往有延迟。
2.3 CUDA 与 cuDNN 配置
CUDA 是 NVIDIA 的并行计算平台，cuDNN 是深度学习加速库。这两个东西，说白了就是让 GPU 帮你算得更快。
为什么会这样？因为深度学习训练本质上就是大量矩阵运算，GPU 天生适合干这个。
配置步骤：
- 检查显卡驱动：在终端输入
nvidia-smi，查看驱动版本和支持的 CUDA 版本 - 安装 CUDA：去 NVIDIA 官网下载对应版本。我个人习惯用 CUDA 11.8，兼容性比较好
- 安装 cuDNN：需要注册 NVIDIA 开发者账号，下载后解压到 CUDA 目录下
避坑指南：我曾经在 CUDA 版本上栽过跟头。PyTorch 2.0 以上版本推荐 CUDA 11.8 或 12.1，TensorFlow 2.10 以上推荐 CUDA 11.2。千万别装错了，否则框架根本认不出 GPU。
验证 CUDA 是否安装成功：
nvcc --version如果显示版本号，说明 CUDA 装好了。cuDNN 的验证稍微麻烦点，可以跑一个简单的深度学习模型来测试。
2.4 PyTorch / TensorFlow 安装
这两个框架，你选一个就行。我个人更常用 PyTorch，因为调试方便，社区活跃。但 TensorFlow 在生产部署上有优势。
安装命令：
# PyTorch（CUDA 11.8 版本）
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
# TensorFlow（CUDA 11.2 版本）
pip install tensorflow==2.10.0我的经验：安装时别用 conda install，用 pip 更稳定。我曾经用 conda 装 PyTorch，结果依赖解析花了半小时，最后还报错。换成 pip 后，几分钟搞定。
验证安装：
# PyTorch 验证
python -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"
# TensorFlow 验证
python -c "import tensorflow as tf; print(tf.__version__); print(tf.config.list_physical_devices('GPU'))"如果输出 True 或显示 GPU 设备，恭喜你，环境搭好了。
2.5 知识体系总览
下面这张图，是我梳理的环境搭建整体流程。你跟着这个思路走，基本不会出错。
2.6 常见问题与解决方案
| 问题 | 原因 | 解决方案 |
|---|---|---|
| conda 命令找不到 | 环境变量没配置 | 手动添加 Anaconda 安装路径到 PATH |
| PyTorch 检测不到 GPU | CUDA 版本不匹配 | 用 nvidia-smi 查看驱动支持的 CUDA 版本，重新安装对应版本 |
| pip 安装速度慢 | 默认源在国外 | 换国内镜像源：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple |
| TensorFlow 报错找不到 cuDNN | cuDNN 没配置好 | 将 cuDNN 的 bin 目录添加到系统 PATH |
最后说一句：环境搭建是每个深度学习项目的第一步，也是最容易出问题的一步。别怕报错，每个错误都是学习的机会。我刚开始时，光装 CUDA 就重装了三次系统。现在回想起来，那些坑反而让我对版本管理有了更深的理解。