第三章 深度学习环境搭建：Anaconda安装、PyTorch框架配置、CUDA与cuDNN安装、GPU环境验证
说实话，环境搭建这件事，我见过太多同学卡在这一步了。
明明代码写得很溜，结果装个PyTorch装了两天没装上。嗯，我当年刚入行时也踩过不少坑。今天咱们就把这事彻底捋清楚。
3.1 为什么需要Anaconda？
你想想看，做自动驾驶语义分割，你可能会用到PyTorch 1.x、TensorFlow 2.x，甚至还有ONNX、TensorRT这些推理框架。每个框架对Python版本、依赖库的要求都不一样。
如果全装在一个环境里，那简直就是灾难。我曾在项目中遇到过，因为numpy版本冲突，整整排查了一下午。
Anaconda说白了就是一个环境管家。它能帮你创建多个独立的Python环境，互不干扰。我个人习惯是每个项目建一个独立环境，干净又省心。
核心优势：
- 环境隔离：每个项目有自己的Python版本和依赖库
- 包管理：conda install 比 pip 更稳定，尤其对CUDA相关库
- 跨平台：Windows、Linux、macOS都能用
3.2 Anaconda安装步骤
去官网下载Anaconda，我建议选Python 3.8或3.9版本。为什么？因为PyTorch对这些版本支持最好。
# 安装完成后，验证是否成功
conda --version
# 创建新环境，我习惯用这个命名方式
conda create -n autopilot python=3.8
# 激活环境
conda activate autopilot
# 退出环境
conda deactivate我的小技巧：创建环境时加上 -y 参数，可以跳过确认步骤。比如 conda create -n autopilot python=3.8 -y
3.3 CUDA与cuDNN：GPU加速的关键
做语义分割，没有GPU简直是折磨。一张1080Ti跑一张512x512的图片可能要几秒，有了CUDA加速，能快几十倍。
CUDA是NVIDIA的并行计算平台，cuDNN是专门为深度学习优化的加速库。两者缺一不可。
注意：CUDA版本必须和显卡驱动兼容。我建议先查一下你的显卡驱动版本，再决定装哪个CUDA。
怎么查？在命令行输入：
# Windows
nvidia-smi
# Linux
nvidia-smi你会看到类似这样的输出：
| 项目 | 说明 |
|---|---|
| Driver Version | 显卡驱动版本，比如 525.85.05 |
| CUDA Version | 支持的最高CUDA版本，比如 12.0 |
我个人习惯装CUDA 11.8，因为PyTorch 2.0对它的支持最稳定。cuDNN选对应版本的就行。
3.4 PyTorch框架配置
这一步其实最简单。去PyTorch官网，选你的配置，它会自动生成安装命令。
# 以CUDA 11.8为例
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
# 或者用conda
conda install pytorch torchvision torchaudio cudatoolkit=11.8 -c pytorch -c nvidia避坑指南：我曾经因为用了pip安装，结果torchvision和torch版本不匹配，训练时疯狂报错。后来我改用conda安装，再也没出过问题。建议你也用conda。
3.5 GPU环境验证
装完了，怎么知道对不对？写几行代码验证一下。
import torch
# 检查PyTorch版本
print("PyTorch版本:", torch.__version__)
# 检查CUDA是否可用
print("CUDA是否可用:", torch.cuda.is_available())
# 检查GPU数量
print("GPU数量:", torch.cuda.device_count())
# 检查当前GPU名称
if torch.cuda.is_available():
print("GPU名称:", torch.cuda.get_device_name(0))
# 简单测试：创建张量并移到GPU
x = torch.rand(3, 3)
print("CPU上的张量:", x)
if torch.cuda.is_available():
x_gpu = x.cuda()
print("GPU上的张量:", x_gpu)
print("测试通过！GPU环境配置成功！")如果输出显示CUDA可用，并且GPU名称正确，那就恭喜你，环境搭好了。
我的经验：如果CUDA不可用，90%的原因是PyTorch版本和CUDA版本不匹配。去官网重新选一下版本，重装就好。
3.6 常见问题与解决方案
嗯，这里我整理了几个我遇到过的问题，你可能会用得上。
| 问题 | 原因 | 解决方案 |
|---|---|---|
| nvidia-smi 找不到 | 显卡驱动没装或路径不对 | 去NVIDIA官网重装驱动 |
| CUDA out of memory | 显存不够 | 减小batch size，或者换大显存显卡 |
| torch.cuda.is_available() 返回False | PyTorch和CUDA版本不匹配 | 用conda重装，指定CUDA版本 |
| cuDNN报错 | cuDNN版本不对 | 下载对应CUDA版本的cuDNN，覆盖安装 |
说实话，环境搭建这事，第一次总是最难的。但只要你按这个流程走一遍，后面就轻车熟路了。
我记得第一次给团队搭训练环境时，折腾了整整一天。现在嘛，十分钟搞定。所以别急，慢慢来。
最后提醒：做自动驾驶语义分割，GPU是刚需。如果条件允许，建议至少用RTX 3060或以上。显存越大，能跑的模型越大，效果也越好。
好了，环境搭好了，下一章咱们就开始真正动手做语义分割了。到时候我会带你从数据准备到模型训练，一步步走通整个流程。