2、环境配置与工具链：Anaconda安装、PyTorch框架安装、CUDA与cuDNN配置、Jupyter Notebook使用
说实话，环境配置这件事，看着简单，但坑是真不少。我带过不少新人，十有八九第一周都在跟各种报错死磕。我自己也翻过车——有一次配CUDA版本没对齐，折腾了两天才发现是驱动没更新。所以这一章，我尽量把那些容易踩的坑都给你指出来。
2.1 Anaconda安装：你的Python环境管家
为什么要用Anaconda？说白了，就是帮你管理Python版本和第三方库。你想想看，一个项目用PyTorch 1.10，另一个用2.0，版本冲突怎么办？Anaconda的虚拟环境就是干这个的。
安装步骤：
- 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。但有个关键点——记得勾选「Add Anaconda to my PATH environment variable」。我见过有人没勾，后面命令行死活找不到conda命令，又得重装。
- 安装完成后，打开终端（Windows用Anaconda Prompt），输入
conda --version验证。
2.2 创建虚拟环境：隔离的艺术
环境隔离是深度学习的必修课。我建议每个项目都建一个独立环境，别图省事全装base里。
# 创建一个名为dl_env的环境，Python版本3.9
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嗯，这里要注意：环境名别用中文，也别带空格。我见过有人用「深度学习环境」做名字，结果后面路径解析报错，折腾半天。
2.3 PyTorch框架安装：选对版本是关键
PyTorch安装其实就一行命令，但版本选择有讲究。你得先搞清楚自己的CUDA版本。
查看CUDA版本：
# Windows
nvidia-smi
# Linux
nvidia-smi
# 或者
nvcc --version看到输出里的CUDA Version了吗？比如显示11.8，那你就装对应版本的PyTorch。
安装命令（以CUDA 11.8为例）：
# 官方推荐方式
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
# 或者用conda（但速度慢，不推荐）
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidiapip install torch，结果装了个CPU版本。跑模型时发现GPU占用为0，查了半天才发现问题。所以一定要指定 --index-url 参数，或者去PyTorch官网用版本选择器生成命令。
验证安装：
import torch
print(torch.__version__) # 查看版本
print(torch.cuda.is_available()) # 检查CUDA是否可用
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 True，恭喜你，环境配好了。
2.4 CUDA与cuDNN配置：深度学习的加速引擎
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。说白了，没有它们，你的GPU就是个摆设。
CUDA安装要点：
- 去NVIDIA官网下载对应版本的CUDA Toolkit
- 安装时选择「自定义安装」，只勾选CUDA组件，别装Driver（除非你的驱动太旧）
- 安装完成后，配置环境变量：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\bin
cuDNN配置：
cuDNN其实是个压缩包，解压后把里面的文件复制到CUDA安装目录就行。
# 假设CUDA安装在 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8
# 把cuDNN解压后的bin、include、lib文件夹内容分别复制到对应目录| PyTorch版本 | CUDA版本 | cuDNN版本 |
|---|---|---|
| 2.0.0 | 11.7 / 11.8 | 8.5 / 8.6 |
| 1.13.0 | 11.6 / 11.7 | 8.4 / 8.5 |
| 1.10.0 | 10.2 / 11.3 | 8.2 |
你想想看，如果CUDA是11.8，但PyTorch编译时用的是11.7的接口，那肯定报错。所以装之前一定查清楚。
2.5 Jupyter Notebook使用：交互式开发的利器
Jupyter Notebook特别适合做实验和调试。你可以一段一段地跑代码，随时看中间结果，比写脚本方便多了。
安装与启动：
# 在虚拟环境中安装
conda activate dl_env
pip install jupyter notebook
# 启动
jupyter notebook启动后浏览器会自动打开，默认端口8888。你会看到一个文件列表，点「New」→「Python 3」就能新建一个Notebook。
常用快捷键：
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：切换为Markdown模式（写说明文字用）
配置内核与虚拟环境关联：
默认情况下，Jupyter用的是base环境的Python。要让它在你的 dl_env 环境下运行，需要装一个包：
# 在dl_env中安装ipykernel
conda activate dl_env
pip install ipykernel
# 将当前环境注册到Jupyter
python -m ipykernel install --user --name dl_env --display-name "PyTorch DL"重启Jupyter后，新建Notebook时就能选择「PyTorch DL」这个内核了。
2.6 常见问题与排错
环境配置这块，我踩过的坑能写满一页纸。挑几个最常见的说说：
- 「CUDA error: no kernel image is available」——多半是PyTorch和CUDA版本不匹配。重新装对应版本的PyTorch。
- 「ImportError: DLL load failed」——Windows上常见，一般是cuDNN没复制对位置。检查一下bin目录下有没有
cudnn64_8.dll这类文件。 - Jupyter无法连接内核——试试
pip install --upgrade jupyter_client，或者重启Jupyter。
嗯，环境配置确实烦人，但一次配好，后面能省很多事。我建议你把安装步骤和版本号记下来，下次换机器直接照着来，省得再查一遍。
好了，这一章就到这儿。下一章我们开始动手写第一个图像分类模型，到时候这些环境就派上用场了。