2、环境搭建：Python环境配置、CUDA与cuDNN安装、PyTorch框架安装、依赖库管理

说实话，环境搭建是很多人入门AI绘画的第一道坎。我见过太多同学在群里问「为什么我的代码跑不起来」，最后发现是CUDA版本不对。嗯，今天我们就来把这套东西捋清楚。

2.1 Python环境配置

我个人习惯用Anaconda来管理Python环境。为什么？因为省心。你想想看，一个项目要PyTorch 1.13，另一个要2.0，用conda创建虚拟环境就能完美隔离。

安装步骤很简单：

1. 去Anaconda官网下载安装包（选Python 3.8版本）
2. 安装时记得勾选「Add Anaconda to my PATH」
3. 打开终端验证：python --version

创建虚拟环境的命令：

conda create -n ai_painting python=3.8
conda activate ai_painting

2.2 CUDA与cuDNN安装

这是最容易出问题的一步。说白了，CUDA是NVIDIA的并行计算平台，cuDNN是它的深度学习加速库。没有它们，你的GPU就是个摆设。

先检查你的显卡：

nvidia-smi

这个命令会显示你的驱动版本和最高支持的CUDA版本。比如我自己的机器显示CUDA 11.8，那我就装对应版本的CUDA Toolkit。

安装步骤：

1. 去NVIDIA官网下载CUDA Toolkit（选你的系统版本）
2. 安装时选「自定义安装」，只勾选CUDA组件
3. 下载cuDNN（需要注册NVIDIA账号）
4. 把cuDNN的bin、include、lib文件夹复制到CUDA安装目录

验证安装：

nvcc --version  # 查看CUDA版本
# 然后跑一个简单的PyTorch代码看GPU是否可用

2.3 PyTorch框架安装

PyTorch的安装其实是最简单的。去官网 pytorch.org，选你的配置，它会生成一条命令。

举个例子，CUDA 11.8的安装命令：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

验证PyTorch是否识别GPU：

import torch
print(torch.cuda.is_available())  # 应该返回True
print(torch.cuda.get_device_name(0))  # 显示你的显卡型号

我记得第一次跑这个代码时，看到「True」那个瞬间，心里踏实多了。嗯，这就是环境搭好的信号。

2.4 依赖库管理

AI绘画项目依赖的库很多。我建议用requirements.txt来管理，这样换机器时一键安装。

一个典型的AI绘画项目依赖：

库名	用途	推荐版本
diffusers	扩散模型推理	≥0.21.0
transformers	文本编码器	≥4.30.0
accelerate	多GPU加速	≥0.25.0
safetensors	安全加载模型	≥0.4.0
omegaconf	配置文件管理	≥2.3.0

安装命令：

pip install diffusers transformers accelerate safetensors omegaconf

还有一个实用技巧：用pip freeze > requirements.txt导出当前环境的依赖列表。下次换机器时，直接pip install -r requirements.txt就行。

2.5 完整环境验证

最后，跑一个完整的验证脚本：

import torch
import diffusers
import transformers

print(f"PyTorch版本: {torch.__version__}")
print(f"CUDA可用: {torch.cuda.is_available()}")
print(f"GPU型号: {torch.cuda.get_device_name(0)}")
print(f"diffusers版本: {diffusers.__version__}")
print(f"transformers版本: {transformers.__version__}")

# 测试一个简单的推理
from diffusers import StableDiffusionPipeline
pipe = StableDiffusionPipeline.from_pretrained(
    "runwayml/stable-diffusion-v1-5",
    torch_dtype=torch.float16
)
pipe = pipe.to("cuda")
image = pipe("a cat wearing a hat").images[0]
image.save("test.png")
print("环境搭建成功！")

如果这个脚本能跑通，恭喜你，环境搭建完成了。如果报错，别慌。99%的问题都是CUDA版本或依赖版本不对。检查一下nvidia-smi的输出，再对照PyTorch官网的版本表，基本能解决。

好了，环境搭好了，下一章我们开始真正动手训练模型。