从零开始：在Ubuntu22.04上用Anaconda创建Python3.8虚拟环境并安装Pytorch1.12
在Ubuntu 22.04上构建Python 3.8与PyTorch 1.12的精准开发环境
当我们需要复现某个经典论文的模型或参与特定版本的开源项目时，环境配置往往成为第一道门槛。上周团队新来的实习生就遇到了这样的困境：GitHub上的一个目标检测项目明确要求Python 3.8+PyTorch 1.12的组合，而他的Ubuntu系统已经安装了Python 3.10。这种版本错配导致的兼容性问题，正是虚拟环境技术要解决的核心痛点。
1. 基础环境准备
在开始之前，建议先更新系统基础组件。打开终端执行：
sudo apt update && sudo apt upgrade -y这将确保所有系统包处于最新状态。对于深度学习开发，NVIDIA驱动是另一个需要提前确认的关键要素：
nvidia-smi如果未显示GPU信息，需要先安装官方驱动。Ubuntu 22.04默认使用nouveau驱动，我们需要先禁用它们：
sudo bash -c "echo 'blacklist nouveau' >> /etc/modprobe.d/blacklist-nvidia-nouveau.conf" sudo bash -c "echo 'options nouveau modeset=0' >> /etc/modprobe.d/blacklist-nvidia-nouveau.conf" sudo update-initramfs -u重启后，可以通过官方PPA安装驱动：
sudo add-apt-repository ppa:graphics-drivers/ppa sudo apt install nvidia-driver-5352. Anaconda的科学计算生态部署
不同于直接安装Python，Anaconda提供了完整的科学计算工具链。我们推荐下载最新的2023.03版本：
wget https://repo.anaconda.com/archive/Anaconda3-2023.03-1-Linux-x86_64.sh下载完成后，验证文件完整性是个好习惯：
sha256sum Anaconda3-2023.03-1-Linux-x86_64.sh对比官网提供的校验值后，执行安装：
bash Anaconda3-2023.03-1-Linux-x86_64.sh安装过程中有几个关键选择需要注意：
- 按Enter阅读许可协议
- 输入
yes同意条款 - 确认安装路径（默认为
~/anaconda3） - 最后选择
yes初始化Anaconda3
安装完成后，需要重新加载bash配置：
source ~/.bashrc验证安装成功的标志是能够识别conda命令。我们可以创建一个测试环境：
conda create -n test_env python=3.8 -y conda activate test_env python --version # 应显示Python 3.8.x conda deactivate conda env remove -n test_env3. 精准控制Python虚拟环境
针对PyTorch 1.12的需求，我们创建专用环境：
conda create -n pt1.12 python=3.8 -y conda activate pt1.12环境创建后，建议立即安装基础科学计算包：
conda install numpy pandas matplotlib scipy scikit-learn jupyter -y对于环境管理，有几个实用技巧值得掌握：
环境克隆：当需要基于现有环境做微小调整时
conda create --name pt1.12_clone --clone pt1.12环境导出：方便团队共享环境配置
conda env export > environment.yml精确安装：指定次要版本号
conda install numpy=1.21
4. PyTorch 1.12的定制化安装
PyTorch的版本兼容性矩阵相当复杂。对于1.12版本，官方提供了多种构建配置：
| 组件 | 推荐版本 | 备注 |
|---|---|---|
| CUDA | 11.3或11.6 | 11.8需要源码编译 |
| cuDNN | 8.2.x | 需与CUDA版本匹配 |
| TorchVision | 0.13.0 | 必须与PyTorch版本对应 |
| TorchAudio | 0.12.0 | 可选组件 |
执行以下命令安装指定版本：
conda install pytorch==1.12.1 torchvision==0.13.1 torchaudio==0.12.1 cudatoolkit=11.3 -c pytorch注意：如果使用NVIDIA 30系显卡，建议使用CUDA 11.6以获得更好兼容性：
conda install pytorch==1.12.1 torchvision==0.13.1 torchaudio==0.12.1 cudatoolkit=11.6 -c pytorch -c conda-forge
安装完成后，验证GPU是否可用：
import torch print(torch.__version__) # 应输出1.12.1 print(torch.cuda.is_available()) # 应返回True print(torch.cuda.get_device_name(0)) # 显示GPU型号5. 开发环境优化配置
为了让环境更高效，我们可以进行一些优化设置。首先是启用CUDA加速的数学库：
conda install -c conda-forge cudatoolkit-dev然后设置Jupyter内核：
python -m ipykernel install --user --name pt1.12 --display-name "PyTorch 1.12 (Py3.8)"对于常驻开发环境，建议配置以下别名到~/.bashrc：
alias ptenv='conda activate pt1.12 && export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CONDA_PREFIX/lib/'最后，我们可以创建一个简单的测试脚本verify.py：
import torch import torchvision def check_environment(): print(f"PyTorch版本: {torch.__version__}") print(f"TorchVision版本: {torchvision.__version__}") print(f"CUDA可用: {torch.cuda.is_available()}") if torch.cuda.is_available(): print(f"当前设备: {torch.cuda.current_device()}") print(f"设备名称: {torch.cuda.get_device_name(0)}") print(f"CUDA架构: {torch.cuda.get_arch_list()}") # 简单张量运算测试 x = torch.rand(5, 3) print(f"\n随机矩阵:\n{x}") print(f"矩阵乘法结果:\n{x @ x.T}") if __name__ == "__main__": check_environment()执行这个脚本应该能看到完整的版本信息和GPU状态输出。在实际项目中遇到CUDA内存不足时，可以尝试在代码开头添加：
torch.backends.cudnn.benchmark = True torch.backends.cuda.matmul.allow_tf32 = True