当前位置：首页 > news >正文

Win10深度学习环境搭建：PyTorch与Anaconda配置全攻略

news 2026/8/8 9:25:56

1. 项目概述：为什么要在Win10上配置“动手学深度学习”环境

如果你对机器学习感兴趣，最近肯定听过“动手学深度学习”这本书，或者更准确地说，是李沐老师主讲的这门在线课程。它最大的魅力在于，把那些听起来高深莫测的神经网络、卷积、注意力机制，变成了可以一行行代码跑出来的实验。而PyTorch，作为当前最主流的深度学习框架之一，以其动态图、Pythonic的接口设计，成为了学习路上的最佳拍档。

那么问题来了，教程看的热血沸腾，代码也跃跃欲试，但第一步——环境配置——就卡住了不少人。尤其是在我们最常用的Windows 10系统上，从Python版本、包管理工具，到PyTorch的CPU/GPU版本选择，再到CUDA驱动匹配，每一步都可能藏着“坑”。网上教程虽多，但要么过于简略，要么版本过时，要么就是一股脑的命令行复制粘贴，出了问题根本不知道从何查起。

这篇内容，就是为你解决这个“第一步”的。我将基于最新的实践，带你从零开始，在Win10上搭建一个专为学习“动手学深度学习”（PyTorch版）而优化的开发环境。我们不止要“配通”，更要“配懂”，我会把每一步背后的逻辑、常见的报错以及我踩过的坑都讲清楚。无论你是刚入门的小白，还是有一定基础但被环境问题困扰的同学，跟着走一遍，你就能获得一个干净、稳定、可复现的深度学习学习环境，从此专注于模型和算法本身。

2. 环境配置的整体思路与工具选型

在动手之前，理清思路比盲目执行更重要。在Windows上配置Python科学计算环境，尤其是涉及GPU加速的深度学习环境，核心目标是隔离、稳定和可管理。

2.1 为什么选择Anaconda作为环境管理基石？

直接在你的系统Python里安装PyTorch是最大的忌讳。不同项目可能需要不同版本的库，直接安装会导致版本冲突，最终让你的Python环境混乱不堪，重装系统成为唯一解。因此，我们必须使用虚拟环境。

在Windows上，Anaconda（或更轻量化的Miniconda）是无可争议的首选。原因有三：

包管理强大：Conda不仅能管理Python包，还能管理非Python的二进制依赖（比如某些科学计算库依赖的C++库），这在Windows上尤其省心。
环境隔离彻底：每个Conda环境都是完全独立的，包括Python解释器、pip以及所有安装的包。你可以在一个环境里用PyTorch 1.12，在另一个环境里用PyTorch 2.0，互不干扰。
对Windows友好：Anaconda官方提供了完善的Windows安装包和后续的图形化界面（Anaconda Navigator），降低了命令行操作的门槛。

对于“动手学深度学习”的学习，我推荐安装Miniconda。它只包含Conda、Python和少量必需包，非常轻量，把安装什么、安装多少的控制权完全交给你，避免了Anaconda全家桶可能带来的冗余。

2.2 PyTorch版本与CUDA的抉择：要GPU还是CPU？

这是配置的核心决策点。PyTorch可以利用NVIDIA GPU的CUDA进行并行计算，极大加速模型训练。

如果你的电脑有NVIDIA独立显卡（GPU）：强烈建议安装支持CUDA的PyTorch版本。你需要确认三件事：
1. 显卡型号：确认是NVIDIA显卡（如GTX 1060, RTX 3060等）。AMD显卡无法使用CUDA。
2. CUDA驱动版本：在命令行输入nvidia-smi，查看最上方显示的“CUDA Version”，这是你的驱动支持的最高CUDA运行时版本。
3. PyTorch对应的CUDA版本：访问PyTorch官网（pytorch.org），查看当前稳定版推荐的CUDA版本（如CUDA 11.8, 12.1等）。
匹配原则是：PyTorch所需的CUDA运行时版本 ≤ 你显卡驱动支持的CUDA版本。例如，驱动支持CUDA 12.4，你可以安装需要CUDA 12.1或11.8的PyTorch。如果驱动版本过低，则需要更新显卡驱动。
如果你的电脑没有NVIDIA显卡（仅集成显卡或AMD显卡）：或者你暂时不想折腾GPU驱动，那就安装CPU版本的PyTorch。这完全不影响你学习书中的绝大部分内容（前向传播、反向传播、模型构建），只是在训练环节速度会慢很多，但对于理解算法原理绰绰有余。

注意：不要盲目追求最新版本。对于学习而言，稳定性比新特性更重要。建议选择比当前最新稳定版稍早一个版本的PyTorch和对应的CUDA，其社区资料和解决方案会更丰富。例如，在撰写本文时，PyTorch 2.3.0已发布，但选择广泛使用的PyTorch 2.1.x或2.2.x系列可能是更稳妥的选择。

2.3 编辑器的选择：Jupyter还是IDE？

“动手学深度学习”的教程代码多以Jupyter Notebook（.ipynb文件）的形式提供，这是一种非常适合交互式学习和演示的格式。

Jupyter Lab / Jupyter Notebook：这是最原汁原味的体验。你可以在Conda环境中安装jupyterlab，然后在浏览器中运行。它的优势是每个代码块可以独立运行，图文混排展示结果非常直观，非常适合跟着教程一步步操作和做笔记。
VS Code：这是目前最受开发者欢迎的通用代码编辑器。通过安装Python扩展和Jupyter扩展，你可以在VS Code中完美地打开、运行和调试.ipynb文件，同时还能享受VS Code强大的代码补全、语法高亮、版本控制（Git）等功能。对于希望从学习平滑过渡到项目开发的同学，VS Code是更好的选择。
PyCharm：专业的Python IDE，功能强大，但对初学者可能稍显复杂，且社区版对Jupyter的支持不如VS Code直接。

我的建议是：初学者可以先用Jupyter Lab感受交互式编程的魅力；当需要编写更复杂的项目或模块时，切换到VS Code会非常顺畅。本文的配置将确保你在两种环境下都能正常工作。

3. 逐步实操：从零搭建Win10深度学习环境

下面我们进入具体的操作环节。请严格按照步骤执行，并理解每一步的作用。

3.1 第一步：安装与配置Miniconda

下载Miniconda：访问Miniconda官网，下载适用于Windows 64位的Python 3.10+版本的安装包。为什么是3.10+？因为这是目前主流库兼容性最好的Python版本之一，既不会太老缺失新特性，也不会太新导致某些库尚未适配。
安装Miniconda：运行安装程序。
- 安装路径：建议选择一个英文且无空格的路径，例如D:\Miniconda3。这可以避免未来可能出现的各种路径解析错误。
- 高级选项：务必勾选“Add Miniconda3 to my PATH environment variable”（即使安装程序提示不推荐）。这能让你在任意命令行窗口（如CMD、PowerShell）中直接使用conda命令。同时，也建议勾选“Register Miniconda3 as my default Python”，这会让Conda环境成为系统默认的Python解释器管理器。
验证安装：打开“开始”菜单，搜索并打开“Anaconda Prompt (Miniconda3)”。这是一个已经配置好Conda环境的命令行终端。输入以下命令并回车：
```
conda --version
```
如果正确显示Conda版本号（如conda 24.x.x），说明安装成功。

3.2 第二步：创建专属的深度学习虚拟环境

我们将创建一个名为d2l（取自“动手学深度学习”英文名Dive into Deep Learning首字母）的独立环境。

在Anaconda Prompt中，执行以下命令创建新环境：
```
conda create -n d2l python=3.10 -y
```
- -n d2l：指定环境名为d2l。
- python=3.10：指定该环境中安装Python 3.10。
- -y：自动确认后续的安装提示。
创建完成后，激活这个环境：
```
conda activate d2l
```
激活后，命令行提示符的开头通常会从(base)变为(d2l)，这表示你已进入d2l环境，后续所有操作都只影响这个环境。

3.3 第三步：安装PyTorch及其核心依赖

这是最关键的一步。我们将使用PyTorch官网推荐的命令进行安装。

确定安装命令：打开PyTorch官网（pytorch.org），找到“Get Started”区域。你会看到一个类似命令生成器的工具。
- 如果你的电脑有NVIDIA GPU：
  - PyTorch Build: Stable (2.x.x)
  - Your OS: Windows
  - Package: Conda (强烈推荐在Conda环境内用Conda安装，兼容性更好)
  - Language: Python
  - Compute Platform: 根据你之前查询的驱动支持的CUDA版本选择，例如CUDA 11.8或CUDA 12.1。如果不确定，选择CUDA 11.8通常有较好的兼容性。网站会生成类似这样的命令：conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia
- 如果你的电脑没有NVIDIA GPU：
  - Compute Platform: CPU 生成的命令类似：conda install pytorch torchvision torchaudio cpuonly -c pytorch
执行安装命令：将生成的命令复制到已激活的(d2l)环境的Anaconda Prompt中执行。这个过程会下载数百MB的包，请保持网络通畅。
验证PyTorch及GPU是否可用：安装完成后，在命令行中输入python进入Python交互模式，然后依次输入以下命令：
```
import torch print(torch.__version__) # 打印PyTorch版本 print(torch.cuda.is_available()) # 打印CUDA是否可用，GPU版本应为True，CPU版本为False
```
如果第一行输出版本号（如2.1.0），第二行GPU版本输出True或CPU版本输出False，则说明PyTorch安装成功且GPU检测正常。

3.4 第四步：安装“动手学深度学习”配套包与Jupyter

李沐老师团队为课程提供了配套的d2l包，它封装了课程中常用的函数和类，方便直接调用。

在(d2l)环境中，使用pip安装d2l包：
```
pip install d2l
```
实操心得：这里使用pip而不是conda，因为d2l包通常通过PyPI（pip的源）发布，更新更及时。Conda环境内混用conda和pip是常见的做法，但建议优先用conda安装核心包（如PyTorch），再用pip安装纯Python包（如d2l）。
安装Jupyter Lab作为我们的学习笔记本：
```
pip install jupyterlab
```
如果你想用经典的Jupyter Notebook界面，可以安装jupyter。
（可选但推荐）安装常用数据科学库：为了更顺畅的学习体验，可以顺便安装一些常用的库。
```
pip install matplotlib pandas scikit-learn
```

3.5 第五步：配置VS Code以使用Conda环境

如果你选择VS Code作为主力编辑器，需要让它识别我们刚创建的Conda环境。

安装VS Code，并安装官方“Python”扩展和“Jupyter”扩展。
打开VS Code，按下Ctrl+Shift+P打开命令面板，输入Python: Select Interpreter并选择。
在弹出的列表中，你应该能看到类似Python 3.10.x (‘d2l’: conda)的选项，选择它。这样VS Code就会使用我们d2l环境中的Python和所有已安装的包。
现在，你可以在VS Code中直接打开从课程网站下载的.ipynb文件，并选择内核为Python Environments (d2l)，即可开始运行代码。

4. 环境验证与“动手学深度学习”初体验

环境搭好了，我们来跑一个最简单的例子验证整个流程是否通畅。

启动Jupyter Lab：在(d2l)环境的Anaconda Prompt中，切换到你想存放学习笔记的目录（例如cd D:\d2l-notes），然后输入：
```
jupyter lab
```
浏览器会自动打开Jupyter Lab界面。

创建新笔记本并测试：在Jupyter Lab中新建一个Python Notebook。在第一个单元格中输入以下代码并运行：

import torch from d2l import torch as d2l print(f"PyTorch版本: {torch.__version__}") print(f"CUDA可用: {torch.cuda.is_available()}") # 尝试创建一个张量并做简单运算 x = torch.arange(12, dtype=torch.float32).reshape(3,4) print(f"张量x:\n{x}") print(f"张量形状: {x.shape}")

你应该能看到PyTorch版本、CUDA状态以及一个3行4列的张量被成功打印出来。

运行课程代码：从课程官网或GitHub下载课程对应的Notebook文件（.ipynb），在Jupyter Lab中打开它，尝试运行前面的几个单元格。如果能够顺利运行并出图（例如显示一个简单的函数图像），恭喜你，你的“动手学深度学习”环境已经完美配置成功！

5. 常见问题排查与避坑指南实录

即使按照步骤操作，你也可能会遇到一些问题。这里记录了我自己和学员们最常遇到的“坑”及其解决方案。

5.1 Conda/Pip安装速度慢或失败

问题：下载包时速度极慢，甚至超时失败。
原因：默认源服务器在国外。
解决方案：为Conda和Pip配置国内镜像源。
- Conda镜像：在Anaconda Prompt中执行以下命令添加清华源：
```
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/pytorch/ conda config --set show_channel_urls yes
```
  注意：安装PyTorch时，如果指定了-c pytorch -c nvidia，Conda仍会优先从官方源查找。如果镜像源同步不及时，可以尝试暂时移除-c pytorch -c nvidia，但需确保镜像源中有对应版本的PyTorch。
- Pip镜像：在安装命令后加上-i参数，例如：
```
pip install d2l jupyterlab -i https://pypi.tuna.tsinghua.edu.cn/simple
```
  或者永久修改pip配置。

5.2 验证时`torch.cuda.is_available()`返回False

问题：已经安装了CUDA版本的PyTorch，但无法检测到GPU。
排查步骤：
1. 确认显卡驱动：再次运行nvidia-smi，确保驱动正常安装且版本足够高。
2. 确认PyTorch的CUDA版本匹配：在Python中运行torch.version.cuda，查看PyTorch编译时使用的CUDA版本。确保此版本不高于nvidia-smi显示的驱动支持的CUDA版本。
3. 检查环境是否激活：确保你是在安装了CUDA版PyTorch的Conda环境中进行验证。有时我们可能在base环境或其他环境中误操作。
4. 终极方案：如果以上都正确，可能是安装的PyTorch二进制包与你的系统有兼容性问题。可以尝试从PyTorch官网使用pip安装命令（而非conda）重装对应CUDA版本的PyTorch，有时能解决一些奇怪的兼容性问题。

5.3 导入d2l包时出错（如缺少某些依赖）

问题：运行import d2l或from d2l import torch as d2l时提示缺少matplotlib、pandas等模块。
原因：d2l包本身依赖这些库来绘图和数据处理，但它的安装依赖声明可能不强制包含它们。
解决方案：手动安装缺失的包。通常需要：
```
pip install matplotlib pandas
```
如果提示缺少其他包，根据错误信息类似处理即可。

5.4 Jupyter Lab中无法识别Conda环境

问题：在Jupyter Lab的Kernel列表中，找不到创建好的d2l环境。
解决方案：需要在d2l环境中安装一个用于Jupyter的内核管理包。
1. 确保已激活d2l环境：conda activate d2l
2. 安装ipykernel：pip install ipykernel
3. 将当前环境添加到Jupyter内核：python -m ipykernel install --user --name d2l --display-name "Python (d2l)"
4. 重启Jupyter Lab，应该就能在Kernel列表里看到“Python (d2l)”这个选项了。

5.5 环境配置完成后，日常如何使用？

标准工作流：
1. 打开“Anaconda Prompt”。
2. 输入conda activate d2l激活环境。
3. 输入jupyter lab启动笔记本，或者输入code .用VS Code打开当前目录。
快捷方式（Windows）：你可以创建一个批处理文件（.bat），内容为：
```
@echo off call conda activate d2l start jupyter lab
```
双击这个.bat文件，就能一键启动环境和Jupyter Lab。

配置环境是深度学习入门的第一道，也是必要的一道坎。这个过程本身也是对工具链和理解系统工作方式的一次很好学习。希望这份详尽的指南能帮你顺利跨过这道坎，把更多精力投入到有趣的模型和算法学习中去。当你成功运行起第一个神经网络，看到损失曲线稳步下降时，你会觉得这一切的折腾都是值得的。如果在配置过程中遇到这里没覆盖的新问题，最好的方法是仔细阅读错误信息，并善用搜索引擎，你遇到的问题，很可能全世界已经有人解决过并分享在网上了。

查看全文

http://www.jsqmd.com/news/1351888/