2、环境搭建：Python虚拟环境配置、ONNX Runtime安装、PyTorch/TensorFlow环境准备
好，咱们正式开始动手了。
这一章，说白了就是「把家伙事儿备齐」。我见过太多同学，模型精度对不齐，最后发现是环境版本搞错了——这种坑，踩一次就够了。所以咱们花点时间，把环境搭得干干净净。
2.1 Python虚拟环境——为什么必须用？
你可能觉得：「我直接 pip install 不就行了？」
嗯，我以前也这么想。直到有一次，我同时维护三个项目，一个要 PyTorch 1.8，一个要 1.12，还有一个死活要 TensorFlow 2.4。结果呢？装一个崩一个，最后重装了系统。
虚拟环境就是干这个的——每个项目一个独立空间，互不干扰。
核心原则：每个 ONNX 项目，单独建一个虚拟环境。别偷懒。
2.2 创建虚拟环境（conda 和 venv 两种方式）
我个人习惯用 conda，因为它管理 Python 版本更方便。但如果你不想装 Anaconda，用 Python 自带的 venv 也完全够用。
方式一：conda（推荐）
# 创建环境，指定 Python 3.9
conda create -n onnx_env python=3.9
# 激活环境
conda activate onnx_env
# 退出环境
conda deactivate为什么选 Python 3.9？我踩过坑。Python 3.11 对某些 ONNX 算子支持不太好，3.8 又太老。3.9 是目前最稳的版本。
方式二：venv（轻量级）
# 创建环境
python -m venv onnx_env
# 激活（Windows）
onnx_env\Scripts\activate
# 激活（Linux/Mac）
source onnx_env/bin/activate小技巧：我习惯在项目根目录下建一个 env_setup.sh 脚本，把环境创建和依赖安装写在一起。这样换机器时，一行命令搞定。
2.3 ONNX Runtime 安装
ONNX Runtime 是微软开源的推理引擎。说白了，它就是用来跑 .onnx 模型的。
安装很简单，但要注意版本匹配。我曾经因为装了最新版 ONNX Runtime，结果模型导出时用的 ONNX opset 版本太低，跑都跑不起来。
# 安装 CPU 版本（最常用）
pip install onnxruntime
# 安装 GPU 版本（需要 CUDA）
pip install onnxruntime-gpu
# 指定版本（推荐）
pip install onnxruntime==1.15.1| 场景 | 推荐版本 | 说明 |
|---|---|---|
| CPU 推理 | onnxruntime 1.15.x | 稳定，兼容性好 |
| GPU 推理 | onnxruntime-gpu 1.15.x | 需要 CUDA 11.8+ |
| 移动端 | onnxruntime-mobile | 轻量级，适合 ARM |
注意：onnxruntime 和 onnxruntime-gpu 不能同时装。我试过，会冲突。如果你需要切换，建议建两个虚拟环境。
2.4 PyTorch 环境准备
PyTorch 是咱们导出 ONNX 模型的主力框架。安装时，我建议直接去官网选命令，别自己拼。
# CPU 版本
pip install torch torchvision torchaudio
# GPU 版本（CUDA 11.8）
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118这里有个坑：PyTorch 版本和 ONNX opset 版本是绑定的。比如 PyTorch 2.0 默认用 opset 17，而 PyTorch 1.13 用 opset 16。如果你要导出模型给老版本 ONNX Runtime 用，就得手动指定 opset。
我的建议：PyTorch 2.0 + ONNX Runtime 1.15，这个组合我用了大半年，没出过兼容问题。
2.5 TensorFlow 环境准备
虽然我个人更常用 PyTorch，但工作中难免遇到 TensorFlow 模型转 ONNX 的情况。TensorFlow 的环境，说实话，比 PyTorch 麻烦一点。
# 安装 TensorFlow 2.x
pip install tensorflow==2.12.0
# 安装 tf2onnx（转换工具）
pip install tf2onnx记得，TensorFlow 2.x 和 1.x 的 API 差别很大。如果你还在用 TF 1.x，建议先升级。我去年帮一个客户迁移老模型，TF 1.15 转 ONNX，折腾了两天——有些算子 tf2onnx 根本不支持。
避坑指南：我曾经因为 TensorFlow 和 PyTorch 装在同一个环境里，导致 CUDA 版本冲突。后来学乖了——TensorFlow 一个环境，PyTorch 另一个环境，ONNX Runtime 单独一个环境。各玩各的，谁也不碍谁。
2.6 验证环境是否装好
装完了，怎么知道对不对？写几行代码验证一下。
# 验证 ONNX Runtime
import onnxruntime
print(onnxruntime.__version__)
print(onnxruntime.get_device()) # 输出 CPU 或 GPU
# 验证 PyTorch
import torch
print(torch.__version__)
print(torch.cuda.is_available()) # GPU 是否可用
# 验证 TensorFlow
import tensorflow as tf
print(tf.__version__)
print(tf.config.list_physical_devices('GPU')) # GPU 列表如果都能正常输出，恭喜你，环境搭好了。
嗯，这里要提醒一句：别急着跑大模型。先拿一个简单的 .onnx 文件试试推理，比如一个 3x3 的卷积网络。我见过有人装完环境直接上 ResNet-152，结果报错半天找不到原因——其实是某个依赖版本不对。
2.7 本章小结
环境搭建这事儿，看着简单，但细节不少。总结一下我的经验：
- 虚拟环境必须用，别嫌麻烦
- 版本要匹配，PyTorch、ONNX、ONNX Runtime 三者版本要对应
- 先验证再干活，跑通一个最小示例再上复杂模型
下一章，咱们开始真正接触 ONNX 模型——怎么导出、怎么看结构、怎么验证精度。准备好了吗？