深度学习环境搭建：Anaconda+PyTorch+PyCharm安装配置指南

1. 装前必读三个工具的分工与版本选型1.1 别再用系统Python裸装PyTorch了我接触过不少刚开始搞深度学习的朋友第一反应是去 python.org 下载一个最新版Python然后直接 pip install pytorch结果一跑项目就报各种包冲突、版本不兼容最后环境一团糟只能重装系统Python。这个场景太常见了。所以这篇教程我推荐你使用Anaconda PyTorch PyCharm这个组合方案。三个工具各司其职Anaconda负责管理Python版本和第三方库相当于给你的项目建了一个个独立的房间每个房间里住着不同版本的Python和依赖包互不干扰PyTorch是深度学习的核心框架负责神经网络训练、张量计算这些重活PyCharm则是你写代码的工作台提供代码提示、调试、版本管理这些开发体验。三者配合起来就是你电脑上的一套完整深度学习开发环境。版本选型上有一条实用经验不要追最新版。Anaconda自带的Python版本如果是3.11或3.12PyTorch目前对3.12的支持已经很成熟但如果你的项目依赖某些老库比如tensorflow 1.x、caffe就可能出现编译不过的情况。比较稳妥的做法是装Anaconda后用 conda 创建独立虚拟环境指定Python 3.9或3.10这个兼容性最好网上大部分开源项目的requirements也基本都能跑通。本教程以Windows 10/11为例同时补充Linux系统的差异点。我个人的建议是如果只是学习、跑实验、写论文代码用Anaconda Individual Edition就够如果你是做企业级项目、需要和团队协作、依赖大量的conda私有包再考虑Miniconda配单独环境但初学者不建议折腾先跑通一套再说。1.2 下载渠道的取舍官网直连还是国内镜像先说Anaconda的下载。Anaconda官网anaconda.com的下载页面会根据你的操作系统自动推荐安装包但国内直连官网经常会遇到两个问题一是页面加载慢下载速度经常只有几十KB/s二是跳转的下载地址经常被重置。我自己装的时候就遇到过下载到一半断掉还得重来的尴尬情况。这时候国内镜像站就能派上大用场。清华大学的TUNA镜像站mirrors.tuna.tsinghua.edu.cn提供了一个稳定的Anaconda安装包存档。打开镜像站的 anaconda/archive/ 目录你能看到历史所有版本的安装包选择一个最新的 Windows-x86_64.exe 文件就行。文件名里注意区分Anaconda3-xxxx-Windows-x86_64.exe 是64位系统安装包32位系统已经很少见了正常电脑选这个没错。阿里云镜像源mirrors.aliyun.com也有对应的备份两个源哪个快用哪个。这里有个很多人容易犯的错误在百度搜索Anaconda下载点进了非官网的第三方站点下载到一个捆绑了全家桶的安装包。我强烈建议只认准官网和国内高校/大厂的镜像站这些站点的安装包哈希值都是和官方同步的安全性有保证。PyTorch本身的下载则不走镜像站而是通过pip或conda命令直接从Python软件源拉取这个环节的加速问题后面单独说。PyCharm同理直接从JetBrains官网或国内镜像站下载安装包即可。2. Anaconda安装从下载到环境验证2.1 Windows下的安装流程和两个关键选项下载好的Anaconda安装包一般是 500MB 到 800MB 左右双击运行后会进入安装向导。整个安装过程基本就是一路Next但有两个选项会直接决定你后面少踩多少坑。第一个关键选项安装路径。我建议直接装到默认的 C:\Users\你的用户名\anaconda3 这种用户级目录不要装在 C:\Program Files\ 这种带空格的路径也不要有中文路径。为什么因为conda在解析路径时对空格和中文的处理容易出幺蛾子很多第三方库用C扩展编译时需要调用路径一旦路径里有空格就会出现离奇的错误。第二个关键选项环境变量。安装过程中会问你是否将Anaconda添加到系统PATH环境变量界面上的原话是 Add Anaconda3 to my PATH environment variable下面还有一行小字写着不推荐。这里我极度推荐你勾选这个选项尽管官方不推荐。官方的顾虑是怕Anaconda自带的基础Python和系统已有的Python产生冲突但考虑到绝大多数新手装Anaconda就是为了用它作为主力Python环境系统里本来就没有其他Python勾选后能让你在命令行里直接使用conda和python命令体验会顺畅很多。如果你安装的时候没勾选也别慌还有补救办法打开设置 → 系统 → 关于 → 高级系统设置 → 环境变量在用户变量的Path中添加 Anaconda安装目录、Anaconda安装目录\Scripts、Anaconda安装目录\Library\bin 这三个路径。改完后重新打开一个命令行窗口输入conda --version如果输出 conda 4.x.x 之类的版本号就说明加成功了。这里要注意的是环境变量修改后必须在新的命令行窗口里验证旧窗口不会自动刷新。安装过程中还有一个 PyCharm 相关的选项新版安装器可能会提示你安装PyCharm或VS Code可以直接跳过因为我们后面单独装PyCharm。2.2 Linux系统下的命令行安装与环境变量如果你用的是Ubuntu这类Linux发行版安装方式完全不同。首先到清华镜像站的 anaconda/archive/ 下载 Linux-x86_64.sh 文件然后在终端里执行bash Anaconda3-xxx-Linux-x86_64.sh执行后会有一段很长的许可协议文本一直按回车看完输入yes同意。安装路径默认是 ~/anaconda3我建议保持默认因为PyCharm和其他工具在自动探测conda时默认路径是最好找的。安装完成后终端会提示是否运行 conda init 命令。这一步等于帮你在 .bashrc 文件里写入了环境变量和conda初始化代码一定要选yes。如果当时跳过了后续补执行~/anaconda3/bin/conda init bash然后重新加载配置文件source ~/.bashrc这之后你会在终端的行首看到命令前面多了一个 (base) 前缀这说明conda已经接管了当前Shell的Python环境。验证一下conda --version python --version看到输出正常Anaconda在Linux下的安装就算完成了。值得一提的是Linux下很多新手遇到的找不到conda命令问题原因就是没执行 conda init 或者重新加载配置文件这一步千万不能省。2.3 配置国内镜像源别让下载时间毁掉体验Anaconda自带的官方源在国外下载包的时候速度经常只有几十KB/s甚至直接超时。不配置镜像源的话后面创建虚拟环境、安装PyTorch的体验会非常糟糕一个几百MB的环境可能要下一两个小时。配置清华源的方法是在命令行执行下面几条命令conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/ conda config --set show_channel_urls yes这几条命令会在你的用户目录下生成一个 .condarc 配置文件文件里记录了镜像源地址。配置好后执行 conda info 命令就可以查看当前生效的channel列表看到清华的地址排在最前面就说明配置成功了。配置完镜像源之后建议顺手把pip的镜像源也配上因为后续PyTorch的很多附属包是通过pip安装的。执行pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple这个命令会在用户目录下生成 pip.ini 配置文件。实测下来清华源和阿里源的速度都能跑到几MB/s基本告别了下载超时的烦恼。提示网上有些教程会让你直接把 .condarc 文件内容复制替换掉但不同版本conda的配置字段有细微差别我建议用命令行添加让conda自己管理配置出问题也方便回退。3. PyTorch安装GPU与CPU版本的分岔路3.1 先查显卡和CUDA再决定装哪个版本PyTorch的安装命令和你的硬件情况强相关。很多人装PyTorch不成功问题并不是出在命令本身而是没搞清楚自己的电脑该装什么版本。如果你的电脑有NVIDIA独立显卡并且想用它训练模型安装GPU版本的PyTorch才有意义。先确认显卡是否支持CUDA在命令行执行nvidia-smi如果提示 nvidia-smi 不是内部或外部命令说明你没装NVIDIA驱动需要先到NVIDIA官网下载对应型号的驱动装好。如果正常输出你会看到右上角有 CUDA Version: 12.x 这样的字样。这里有个最容易搞混的地方这个版本号表示你的驱动支持的最高CUDA版本不等于你本地已经安装了某个CUDA工具包。PyTorch的CUDA版本依赖是通过pip/conda安装的会以独立库的形式和PyTorch一起装好不需要你手动安装完整的CUDA Toolkit。查看输出里显卡名称那行对照确认你的显卡型号。比如 GeForce RTX 3060、RTX 4090 这类型号都是支持CUDA加速的。如果是AMD显卡或者核显就老老实实走CPU版本路线不要在GPU上浪费时间。然后去PyTorch官网pytorch.org首页一般会有一个 Get Started 区域让你选择 PyTorch Build怎么选版本、Your OS你的操作系统、Package是pip还是conda安装、LanguagePython、Compute Platform计算平台。选好后页面会生成一行安装命令。这里我提醒一下官网自动生成的命令默认是指向官方源速度慢后面我会给一个加速方案。3.2 官网Install命令的正确解读与加速实战假设你在官网选择了 Windows pip Python CUDA 12.1那么生成的命令一般是pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121这行命令的意思是从PyTorch官方指定的CUDA 12.1版的whl包仓库里安装基础框架torch、图像处理库torchvision和音频库torchaudio三个包。直接执行这行命令下载速度往往不理想因为 download.pytorch.org 的带宽在国外。有两个加速办法办法一加镜像参数。在执行pip安装时前面额外指定清华源作为索引地址pip3 install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple --index-url https://download.pytorch.org/whl/cu121不知道怎么形容的话你可以理解成pip默认从第一个源找包属性相同。办法二更推荐。直接到PyTorch官方提供的一个下载仓库地址 https://download.pytorch.org/whl/cu121/用浏览器打开按 CtrlF 搜索 torch-2.x.xcu121-cp39-cp39-win_amd64.whl 这种格式的文件。这个文件就是对应Python 3.9、Windows 64位、CUDA 12.1版的PyTorch安装包。你可以用迅雷或IDM这类下载工具下载通常速度会比命令行好一些。然后本地安装pip install 下载目录/torch-xxx.whl这个方法的好处是你能直观看到下载进度也不会因为命令行超时而中断。如果你的电脑没有NVIDIA显卡或者装的是A卡/核显就选CPU版本pip3 install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple不加 --index-url 参数直接从清华PyPI源装的就是CPU版因为CPU版的torch在PyPI上是默认包。还有一个必须注意的点是torchvision和torchaudio的版本需要和torch严格匹配。你如果先装了一个torch 2.0.1又装了官网最新推荐的torchvision 0.17.0运行时很可能报版本对应关系错误。我的建议是三个包用同一个命令行一次性安装让pip自动解析版本关系千万不要分开装。使用conda安装的话命令是conda install pytorch torchvision torchaudio pytorch-cuda12.1 -c pytorch -c nvidia但这条命令默认从官方的pytorch channel拉取速度同样很慢国内不配置代理基本等不到装完。相对而言我推荐新手用pip方式进行安装pip的包格式是预编译的wheel安装后不用额外处理什么依赖链问题。conda虽然能自动处理CUDA相关依赖但官方channel的源加速方案复杂一些先不展开。3.3 验证PyTorch是否真的可用的三条命令装完别急着关命令行写个小脚本验证一下环境是否真能工作。在任意目录下打开Python交互式环境直接在命令行输入 python 回车然后执行import torch print(torch.__version__)如果正常输出版本号说明PyTorch主体安装成功。接下来验证GPU是否可用print(torch.cuda.is_available())GPU版本的正确结果是 True。如果返回False先别急大概率是CUDA版本不匹配或者装成了CPU版。你可以继续执行print(torch.cuda.get_device_name(0))来查看当前可用的显卡名称。CPU版本跑这三个命令会输出print(torch.__version__) # 2.x.xcpu 或 2.x.x print(torch.cuda.is_available()) # False看到结果是 False 不要慌CPU版本不支持CUDA是正常的你只需要确保它能做张量运算就行。最后用一个最简单的方式确认张量计算确实没问题x torch.rand(3, 3) print(x.sum())这行代码会创建一个3x3的随机张量并计算总和只要能输出一个tensor类型的值就说明PyTorch的基础运算链路完全正常。4. PyCharm安装与解释器联动配置4.1 版本选择、下载安装与中文界面设置PyCharm分两个版本社区版Community和专业版Professional。社区版完全免费支持Python开发的核心功能对我们做深度学习实验、写脚本完全够用专业版付费多了Web开发Django、Flask、数据库工具、远程调试等功能适合做全栈开发。如果你是学生可以用校园邮箱在JetBrains官网申请免费的专业版授权否则先用社区版就好。下载地点是JetBrains官网jetbrains.com/pycharm/。国内访问官网速度不稳定任务量大或者网速差的时候可以从清华大学镜像站的 jetbrains/ 目录下载安装包文件名形如 pycharm-community-2024.1.1.exe。安装过程同样是一路Next但有两点可以按需调整一是安装路径我个人喜欢装在 D:\JetBrains\PyCharm避免C盘空间焦虑二是安装选项里的 Add launchers dir to the PATH 和 Create Associations把 .py 文件默认用PyCharm打开都可以勾选后面用起来顺手。启动后想设置中文界面选择菜单 File → Settings → Plugins在Marketplace搜索栏里输入 Chinese会看到一个名为 Chinese (Simplified) Language Pack / 中文语言包 的插件点击Install装完重启PyCharm即可界面就变成中文了。这是JetBrains官方出品的语言包安全、可靠比网上找汉化补丁靠谱一万倍。4.2 把Anaconda环境交给PyCharm装好PyCharm后最关键的一步是配置Python解释器让PyCharm知道使用哪个Python环境来运行和调试代码。打开PyCharm新建一个项目或者打开已有项目然后进入 File → Settings → Project → Python Interpreter 页面。点击右上角的齿轮图标Add Interpreter选择 Add Local Interpreter。弹出的窗口里选Conda Environment选项卡第一项 Existing environment然后在右侧下拉框选择你Anaconda安装目录下的 python.exe比如 C:\Users\用户名\anaconda3\python.exe。如果你之前在conda里创建了独立虚拟环境比如一个叫pytorch_env的环境这里的下拉框也能直接识别到选择虚拟环境里的python.exe就行。如果下拉框是空的点击旁边的文件夹图标手动定位到 Anaconda安装目录/envs/你的环境名/python.exe然后确认。配置完成后PyCharm底部会自动显示当前解释器路径。你在终端里 conda activate xxx 进入的环境和PyCharm选的环境其实是同一个东西代码运行时的依赖包完全一致不会出现命令行里能导入torchPyCharm里导入失败的诡异问题。这里我想强调一个很多人踩过的坑用PyCharm新建项目时弹窗提示 Create main.py 并自动帮你创建了一个虚拟环境。这个虚拟环境是PyCharm的 venv冷得干干净净里面没有Anaconda的任何包。很多新手在这里直接一路点确认然后运行import torch就会报 ModuleNotFoundError。所以千万别在创建项目的向导页里选New environment using Virtualenv一定要选已有环境Existing或者选Conda环境。在PyCharm里安装额外的包也很直观调试某个脚本时发现缺了包点击右下角 Python 解释器字样 → Interpreter Setting → 点包列表上的 按钮搜索包名选中后点Install Package。但有一个细节PyCharm底部的Terminal窗口默认打开的就是你配置的解释器对应的conda环境直接在终端里执行 pip install 也一样可以用。我个人的习惯是依赖少的直接终端pip依赖多了就把命令行存成 requirements.txt统一安装。5. 新手最容易踩的坑报错排查清单5.1 Microsoft Visual C 14.0 is required这个报错几乎是Windows平台装任何包含C扩展的Python包时出现频率最高的一条error: Microsoft Visual C 14.0 or greater is required. Get it with Microsoft C Build Tools原因很简单有些第三方库没有官方的预编译wheel包pip在安装时要用C编译器把源码编译成二进制文件。而Visual C Build Tools就相当于Windows下的编译工具链Python的开发环境默认不包含它。解决方案去微软官网搜索 Microsoft C Build Tools下载并安装Visual Studio Build Tools。安装时只需要勾选使用C的桌面开发组件然后默认安装即可。安装包大概两三个GB装的时候会花点时间但装完后基本一劳永逸后面很多包比如dlib、face_recognition、某些音频处理库都能正常装了。有个更省事的办法是优先使用conda安装这类包因为conda的包源里大部分都是预编译好的二进制不会触发C编译。比如你想装 dlib执行conda install -c conda-forge dlib通常比pip install dlib顺利得多。5.2 conda命令和activate不生效安装完Anaconda打开命令行输 conda 显示 不是内部或外部命令这个在上面已经提过补环境变量就能解决。但还有一个更隐蔽的问题conda activate不生效或者提示CommandNotFoundError: Your shell has not been properly configured to use conda activate.这说明当前命令行窗口是在Anaconda安装之前打开的环境变量还没被加载。最简单的处理关掉命令行窗口重新打开一个。如果重新打开还是不行执行conda init cmd.exe这条命令会自动修改你的命令行启动脚本让每个新窗口都能正常使用conda的activate功能。执行完记得重启命令行。还有人会遇到每打开一个命令行窗口开头就自动激活了 (base) 环境不太喜欢。如果想取消自动激活执行conda config --set auto_activate_base false这样每次打开终端就回到系统默认状态需要用的时候手动 conda activate 你的环境名。5.3 包永远装不上的网络问题我观察到不少人在配置了清华源之后仍然会遇到安装包时卡住、超时或者提示404的情况。这大概率是混用了conda和pip的源的地址导致的。举个例子如果你在 pip 的配置里填了清华大学 Anaconda 仓库的地址而不是PyPI镜像地址pip去清华Anaconda仓库找Python包时自然找不到就会报404。同理conda配置了PyPI地址也没有意义。正确区分两个源conda源配置到 .condarc 文件地址是 mirrors.tuna.tsinghua.edu.cn/anaconda/...主要服务 conda install 命令。pip源配置到 pip.ini 文件Windows或 ~/.config/pip/pip.confLinux地址是 pypi.tuna.tsinghua.edu.cn/simple服务 pip install 命令。另外PyTorch安装的 --index-url 参数会强制pip从指定的PyTorch仓库下载这个参数会临时覆盖你配置的pip源如果你同时加了 -i 参数两个源的地址不一样pip会优先使用 --index-url 指定的源。所以当你按官网命令安装PyTorch感觉特别慢时不要做无谓的重试直接改成办法二本地下载whl或者用支持断点续传的下载工具。5.4 版本号与CUDA相关的隐性问题最后说一个比较隐蔽但会让GPU功能消失的问题。假设你的驱动支持CUDA 12.2但你安装PyTorch时选择的是 cu118CUDA 11.8版本PyTorch不会报错但随后执行 torch.cuda.is_available() 往往返回False。这是因为PyTorch的CUDA版本需要和驱动支持的最高CUDA版本保持在兼容范围内。简单记忆驱动支持的最高CUDA版本必须大于或等于PyTorch的CUDA版本。具体查驱动支持的版本仍然用 nvidia-smi 命令右上角写的CUDA Version就是驱动能支持的最高版本。nvidia-smi 显示12.1那么你装 cu118 或 cu121 一般都能用如果显示11.8你硬装一个 cu121 的PyTorch大概率不行。如果你觉得自己的GPU明明不错但训练模型就是不动用GPU跑代码时CPU占用率拉满GPU占用率是0%那你得养成看这三行代码的习惯import torch assert torch.cuda.is_available(), CUDA not available device torch.device(cuda if torch.cuda.is_available() else cpu)很多教程里的示例代码默认把device设为cuda如果你的版本不对跑的时候会直接报 RuntimeError: Found no NVIDIA driver on your system 或者 CUDA error: no kernel image is available for execution on the device排查的时候先验证一下 torch.cuda.is_available() 的值能省下好几个小时的排查时间。6. 装完后我建议你顺手做的三件事安装教程到这里核心步骤已经闭环了。但根据我带过的那么多新人的经验我最后想给你三个装完顺手做的建议它们能让这套环境长期稳定不乱。第一件不要往base根环境里安装项目依赖。你之后每接手一个新项目、跑一篇论文的代码都新建一个conda虚拟环境指定好Python版本再在PyCharm里选择对应环境。这个过程看起来多几步但它是避免昨天还好好的今天整个环境崩了的唯一可靠办法。创建虚拟环境只需要一行命令conda create -n 环境名 python3.9然后 conda activate 环境名 切进去再 pip install 项目依赖。第二件配一个 requirements.txt 的习惯。当你的环境恢复正常能跑项目时执行pip freeze requirements.txt把这个文件保存到项目目录。哪天重装系统、换电脑直接一键还原pip install -r requirements.txt比重新一个个装包效率高一个量级。第三件定期更新conda和pip但要克制包版本的更新。用 conda update conda 更新conda本身是安全的但不要动不动就 pip install --upgrade torch框架大版本升级会带来迁移成本你的项目代码可能在没有通知你的情况下发生行为变化。除非项目本身要求升级否则不要为了追新去动已稳定运行的环境。以上就是我从零开始搭建Anaconda PyTorch PyCharm环境的完整过程。根据我个人的经验这套环境一旦搭好只要接下来的操作都遵守环境隔离、源加速、命令验证这三个习惯它能稳定陪你跑完很多个模型实验。如果装的过程中遇到这篇教程没覆盖到的问题优先检查报错信息的前两行绝大多数问题都在环境变量、版本匹配、网络源这三件套里打转。