下载anaconda

为什么要下载anaconda呢？我觉得1.也是最重要的一点，是为了避免版本冲突，比如说运行不同项目需要不同版本的python，如果安装在一起会冲突。所以下载anaconda来实现虚拟环境的创建（可以理解为一山不容二虎，利用anaconda把老虎隔离起来，一个虚拟环境的创建相当于一座房子，老虎在房子里，让不同老虎之间看不到）

2.anaconda中集成了许多package（包）及其依赖项，环境管理器，以及众多开源库等

看下面这个安装就行，我就是看这个下的，期间也遇到了些问题，如果你也有问题，可以看看下面的，或许有帮助

PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】_哔哩哔哩_bilibili

他安装的python版本有点低了，你可以安装个高点的，不过也没事，后续需要可以升级

打开anaconda prompt:

输入以上指令相当于创建了一个虚拟环境，从下图可以看到现在我们有两个环境了

一个是刚刚安装好的Anaconda自带一个基础环境base，另一个是刚刚创建的虚拟环境pytorch（这个环境的名称叫pytorch，其实起什么名字都可以）

（因为我们后续的项目每一个需要的安装包不同，为了避免冲突，我们可以为每一个项目配置一个虚拟环境，这样就不相互打扰了。）

 pytorch的安装

1. 首先进入pytorch的官网

2. 接下来找到如下界面

（注意这里的cuda版本，要通过nvidia-smi命令查看你的电脑/服务器gpu驱动所支持的最高版本cuda是多少，如果最高只能支持到12.3，那你这里的cuda版本只能选11.8的，或者你升级一下驱动，这样支持的cuda版本号就会高一点）

（不用额外下载CUDA ToolKit，上图中的命令已经包含了安装PyTorch以及运行PyTorch所需的最小CUDA运行时库）（更详细的解释请戳这里）

3. 选择好你想要下载的pytorch版本，最下面的命令就是等会下载pytorch的命令

4. 可以看到该pytorch版本要求python版本大于等于3.9，创建python版本等于3.9，环境名为pytorch1的虚拟环境：

5. 输入 conda activate pytorch1，进入pytorch1虚拟环境

6. 接着输入刚刚保存的命令进行pytorch的安装

（这里是选择了用conda来安装，pip和conda都可以）

7. 如果觉得太慢的话可以加上学术加速（以pip为例）。

在原命令后加上，如： -i http://mirrors.aliyun.com/pypi/simple/

pip安装-i指定环境
阿里云 http://mirrors.aliyun.com/pypi/simple/
中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/
豆瓣(douban) http://pypi.douban.com/simple/
清华大学 https://pypi.tuna.tsinghua.edu.cn/simple/
中国科学技术大学 http://pypi.mirrors.ustc.edu.cn/simple/

8. 检查是否安装成功

可以看到其实到绿色部分的时候就可以判断是安装成功了

为了保险起见可以先输入python

再输入import torch 如果没有报错就说明安装成功啦！

如果想删除某个虚拟环境：

注意这个删除操作要在base环境下（把当前的窗口叉掉，就退出pytorch这个虚拟环境了，再打开anaconda prompt就进到base环境了，或者是 conda deactivate）

（怎么判断是不是base环境呢？就看最前面括号里是啥，括号里是啥就是在哪个虚拟环境下）

一些包的介绍

torch (PyTorch)
- 深度学习核心框架，提供张量计算、自动微分、神经网络构建等基础功能
- 核心功能：Tensor 运算（类似 NumPy，但支持 GPU）；自动微分（autograd）；神经网络模块（nn.Module）；数据加载器（DataLoader）

pytorch-lightning
- PyTorch 的高层封装，简化训练流程，提供最佳实践模板
- 核心功能：自动化训练循环（无需手动写 for 循环）；分布式训练支持；实验管理和日志（TensorBoard、WandB 等）；Checkpoint 保存和恢复；超参数优化框架

torch-geometric(PyG)
- 图神经网络（GNN）专用库，提供图数据处理和 GNN 模型实现
- 核心功能：图数据结构（Data, Batch），标准 GNN 层（GCN, GAT, GraphSAGE 等），图数据转换和增强，常用图数据集

PyG的底层依赖：
torch-scatter：高效的散点操作，用于图神经网络中的节点聚合
torch-sparse：稀疏张量运算，高效处理图结构（邻接矩阵通常很稀疏）
torch-cluster：图聚类算法实现
torch-spline-conv：样条卷积实现，一种特殊的图卷积

包安装的顺序应该是从torch->pytorch-lightning