第二章：环境搭建与工具链
说实话，我见过太多初学者在环境配置上栽跟头了。明明代码逻辑没问题，结果跑起来全是报错。嗯，这章我们就来把地基打牢。
2.1 Anaconda安装与配置
Anaconda是什么？说白了就是一个Python的「全家桶」。它帮你把Python解释器、常用库、包管理工具都打包好了。我个人习惯用Miniconda——轻量版，只装核心组件，需要什么再自己加。
下载地址：https://www.anaconda.com/products/individual
选对应操作系统的版本就行。Windows用户注意选64位。
安装时有个坑，我提醒一下：记得勾选「Add Anaconda to my PATH environment variable」。虽然安装程序会警告你「不推荐」，但相信我，不勾的话后面你会很痛苦。我曾经因为没勾这个选项，折腾了半小时才找到conda命令。
验证安装是否成功，打开终端（Windows用cmd或PowerShell）：
conda --version
# 输出类似：conda 23.7.4
python --version
# 输出类似：Python 3.11.5看到版本号就说明装好了。如果提示「conda不是内部或外部命令」，别慌——重启终端试试，还不行就手动把Anaconda的Scripts目录加到环境变量里。
2.2 Python虚拟环境管理
为什么要用虚拟环境？你想想看，项目A需要PyTorch 1.12，项目B需要PyTorch 2.0。如果装在一个环境里，迟早会冲突。虚拟环境就是给每个项目一个「独立的小房间」。
我常用的命令就这几个：
# 创建环境
conda create -n dl_env python=3.9
# 激活环境
conda activate dl_env
# 退出环境
conda deactivate
# 查看所有环境
conda env list
# 删除环境
conda env remove -n dl_env小技巧：环境名别起太复杂。我一般用项目缩写，比如「cv_proj」「nlp_exp」。python版本建议选3.8或3.9，兼容性最好。
为什么会推荐3.8或3.9？因为PyTorch官方对这两个版本支持最久。我踩过坑：用Python 3.11装PyTorch，结果发现有些老模型库不兼容，最后只能降版本重来。
2.3 Jupyter Notebook使用
Jupyter Notebook是个好东西。它把代码、运行结果、图表、文字说明都放在一个页面里。做实验、写教程、快速验证想法，用它特别顺手。
安装很简单：
# 在虚拟环境中安装
conda activate dl_env
conda install jupyter notebook
# 或者用pip
pip install jupyter启动：
jupyter notebook终端会输出一串URL，复制到浏览器打开就行。默认端口是8888。
注意：Jupyter Notebook默认在当前目录启动。我建议在项目根目录下启动，这样文件管理更方便。我曾经在桌面启动，结果文件散落得到处都是，找起来头疼。
几个常用快捷键：
| 快捷键 | 功能 |
|---|---|
| Shift + Enter | 运行当前单元格并跳到下一个 |
| Ctrl + Enter | 运行当前单元格 |
| Esc + A | 在上方插入单元格 |
| Esc + B | 在下方插入单元格 |
| Esc + M | 切换为Markdown单元格 |
| Esc + Y | 切换为代码单元格 |
嗯，这里要注意：Markdown单元格可以写文档、公式、标题。我写实验报告时，习惯把每个实验步骤用Markdown写清楚，代码和结果放在下面。这样回头翻看时，逻辑一目了然。
2.4 PyTorch框架安装与验证
终于到主角了。PyTorch安装其实很简单，但有个关键点：选对CUDA版本。
先看看你的显卡支持什么：
# 查看显卡驱动版本（Windows）
nvidia-smi
# 输出中会显示CUDA Version，比如11.8或12.1然后去PyTorch官网（pytorch.org）选对应的安装命令。我一般用conda装：
# CUDA 11.8版本
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia
# 或者CPU版本（没显卡用这个）
conda install pytorch torchvision torchaudio cpuonly -c pytorch重要：别用pip装PyTorch！conda会自动处理CUDA依赖，pip经常搞出版本冲突。我刚开始学的时候用pip装，结果torch和cudatoolkit版本对不上，报错报了一下午。
验证安装：
import torch
print(torch.__version__) # 输出：2.0.1+cu118
print(torch.cuda.is_available()) # True表示GPU可用
print(torch.cuda.device_count()) # GPU数量
print(torch.cuda.get_device_name(0)) # GPU型号如果torch.cuda.is_available()返回False，别急。先检查：
- 显卡驱动是否最新？去NVIDIA官网更新
- CUDA版本是否匹配？PyTorch 2.0支持CUDA 11.7/11.8
- 是不是装了CPU版本？重新装GPU版
最后跑个简单的张量运算测试：
# 创建一个随机张量
x = torch.rand(3, 3)
print(x)
# GPU运算
if torch.cuda.is_available():
x = x.cuda()
y = torch.rand(3, 3).cuda()
z = x + y
print(z)看到输出结果，说明环境就搭好了。我个人习惯把这段验证代码保存为check_env.py，每次新建项目先跑一遍，确保环境没问题。
避坑指南：我曾经在服务器上装PyTorch，发现CUDA版本和驱动不匹配。查了半天，原来是服务器管理员没更新驱动。解决办法：要么让管理员更新驱动，要么装对应老版本的PyTorch。建议优先更新驱动。
好了，环境搭完，下一章我们正式开始写深度学习代码。记住：环境配置花点时间值得，后面能省你无数debug的功夫。