Python 深度学习环境搭建

从零到一，装好 Python 和 PyTorch，GPU 跑通深度学习代码

适用平台：macOS / Windows / Linux
前置条件：

• NVIDIA GPU（Windows/Linux）或 Apple Silicon Mac（macOS）
• 没有 GPU 也能走通，但用 CPU 训练较慢

---

写在前面

分享下自己的Github开源项目，换电脑 → 搭环境 → 写代码。一个仓库就够了。
每次换系统都要重搜一遍"怎么装 Python"“怎么配 CUDA”“怎么跑 Docker”？

dev-notes 把完整搭建链路整理好了，从零到一，一条龙走到底。
项目地址：https://github.com/Step3N/dev-notes

Step 1: 安装 Miniconda

macOS请先安装包管理工具Homebrew，安装参考笔记：新机配置/macOS

# macOS
brew install --cask miniconda

# Linux
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh
# 按提示完成，最后选择 yes 运行 conda init

# Windows — 从 https://docs.anaconda.com/miniconda/ 下载 exe 安装

初始化 conda（如果安装时未自动执行）：

conda init "$(basename "$SHELL")"

重启终端后验证：

conda --version

---

Step 2: 检查 GPU 并安装 CUDA

⚠️ macOS 用户请跳过此步。Apple Silicon 不支持 CUDA，PyTorch 会使用 MPS 加速（Step 5 验证）

检查 NVIDIA 驱动和 CUDA 版本：

nvidia-smi

输出示例：

+---------------------------------------------------------------------------------------+
| NVIDIA-SMI 545.23.08    Driver Version: 545.23.08    CUDA Version: 12.3     |
+---------------------------------------------------------------------------------------+

关键信息：CUDA Version。如果 >= 12.x，驱动已满足需求，只需安装 CUDA Toolkit。

如果 nvidia-smi: command not found → 先装 NVIDIA 驱动。
如果 CUDA Version 偏低（< 11.8）→ 升级驱动。

安装 CUDA Toolkit

# 访问 https://developer.nvidia.com/cuda-downloads 选择系统版本
# 以下以 Ubuntu 22.04 + CUDA 12.4 为例：
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-keyring_1.1-1_all.deb
sudo dpkg -i cuda-keyring_1.1-1_all.deb
sudo apt update
sudo apt install cuda-toolkit-12-4 -y

# Windows — 从 https://developer.nvidia.com/cuda-downloads 下载 exe
# 选择对应版本，默认安装即可

验证：

nvcc --version
# 输出: Cuda compilation tools, release 12.4, V12.4.xxx

---

Step 3: 创建 conda 环境并配置 pip 源

创建专门用于深度学习的 conda 环境，并配置国内镜像源加速下载。

conda create -n dl python=3.12 -y
conda activate dl

验证：

python --version        # 预期: Python 3.12.x
which python            # 预期路径应在 miniconda3/envs/dl/bin

为什么用 conda 环境？

• 隔离依赖：不同项目可以用不同 Python / 包版本
• 深度学习包经常依赖特定版本，conda 能自动管理
• 切换项目时 conda deactivate 再 conda activate <新环境> 即可

激活环境后配置 pip 清华源，后续所有 pip install 都会走国内镜像：

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
pip config list  # 验证

---

Step 4: 安装 PyTorch

去 pytorch.org 获取最新安装命令，或从下方选择。

CUDA 12.x（推荐）：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124

CUDA 11.8：

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

CPU only / Apple Silicon MPS：

pip install torch torchvision torchaudio

---

Step 5: 验证 GPU 可用

python -c "
import torch
print(f'PyTorch: {torch.__version__}')
print(f'CUDA: {torch.cuda.is_available()}')
if torch.cuda.is_available():
    print(f'GPU: {torch.cuda.get_device_name(0)}')
    x = torch.rand(3, 3).cuda()
    print(f'Tensor on GPU: {x}')
print(f'MPS: {torch.backends.mps.is_available()}')
"

预期输出（NVIDIA GPU）：

PyTorch: 2.4.0
CUDA: True
GPU: NVIDIA GeForce RTX 4090
Tensor on GPU: tensor([[0.123, 0.456, 0.789], ...], device='cuda:0')
MPS: False

预期输出（Apple Silicon Mac）：

PyTorch: 2.4.0
CUDA: False
MPS: True

如果 CUDA: False 且你有 NVIDIA GPU → 看下方常见问题。

---

Step 6: 安装常用深度学习包

pip install torch torchvision torchaudio    # 如 Step 6 已装可跳过
pip install transformers datasets            # HuggingFace 生态
pip install tensorboard                      # 训练可视化
pip install jupyter scikit-learn matplotlib  # 数据处理与探索
pip install accelerate                       # 分布式训练工具
pip install einops                           # 张量运算语法糖

批量验证：

python -c "
import transformers, datasets, tensorboard, sklearn, accelerate
print('All packages imported successfully')
"

---

最终验证：跑一个完整的训练测试

保存为 test_dl.py：

import torch
import torch.nn as nn

device = torch.device(
    'cuda' if torch.cuda.is_available()
    else 'mps' if torch.backends.mps.is_available()
    else 'cpu'
)
print(f'Using: {device}')

model = nn.Sequential(
    nn.Linear(784, 256),
    nn.ReLU(),
    nn.Linear(256, 10),
).to(device)

x = torch.randn(64, 784).to(device)
y = model(x)
print(f'Forward pass: {y.shape}')  # Expected: torch.Size([64, 10])

loss_fn = nn.CrossEntropyLoss()
target = torch.randint(0, 10, (64,)).to(device)
loss = loss_fn(y, target)
loss.backward()
print(f'Loss: {loss.item():.4f}')
print('✅ 深度学习环境搭建成功！')

运行：

python test_dl.py

预期输出（任意平台）：

Using: cuda  (或 mps / cpu)
Forward pass: torch.Size([64, 10])
Loss: 2.30xx
✅ 深度学习环境搭建成功！

---

常见问题

问题	原因	解决
torch.cuda.is_available() 返回 False	装了 CPU 版 PyTorch	pip uninstall torch torchvision torchaudio，重新安装 CUDA 版
nvidia-smi: command not found	未装 NVIDIA 驱动	去 nvidia.com/drivers 下载对应驱动
安装 PyTorch 下载慢	未配置镜像 / 用了 conda 默认源	pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
conda 环境占用空间大（~3GB）	conda 包含大量预编译包	改用 micromamba 或 pip + venv
macOS 训练速度慢	无独立 GPU	使用 MPS 加速；或使用云 GPU（Colab、AutoDL）
CUDA driver version is insufficient	驱动版本低于 PyTorch 要求	升级驱动，或安装低 CUDA 版 PyTorch

---