企业官网建设流程全解析

简介：这份资源面向深度学习初学者与需要规范配置 PyTorch 开发环境的开发者，核心解决在 Anaconda 中新建独立虚拟环境、避免在 base 环境直接安装框架导致依赖冲突的问题。资源包共 1 个 docx 文件，约 170KB，以图文笔记形式整理环境搭建的关键流程，涵盖 conda 新建与激活环境命令、PyTorch 1.7.0 与 CUDA 11.0、CUDNN 8.0、Torchvision 0.8.1 的版本匹配思路，以及查看显卡驱动版本、判断可安装 CUDA 版本的方法。文中还给出 PyTorch 官网历史版本查找方式、国内镜像源替换建议，并通过 import torch、torch.cuda.is_available() 等命令验证安装结果，帮助读者建立可复用的环境检查与排错习惯。目前已有 1606 人学习，适合希望少走弯路、快速完成深度学习框架环境搭建的读者参考。

1. 为什么我劝你别在 base 环境里装 PyTorch

刚配好的机器，兴冲冲pip install torch，跑通一个 demo，觉得自己行了。三个月后要复现另一篇论文，要求 PyTorch 1.7 + CUDA 11.0，而 base 里躺着的是 2.x，降级把别的库带崩，升级又把旧代码跑挂。这种翻车我见过太多次，根子就一个：所有东西都塞在 base 环境里。

深度学习环境搭建的核心不是"装上"，而是"隔离"。Anaconda 的虚拟环境让每个项目拥有独立的 Python 解释器和库目录，A 项目用 PyTorch 1.7，B 项目用 2.x，互不干扰。这篇笔记拆的是一套完整的落地流程：从 conda 建环境、查显卡驱动、装 CUDA/cuDNN，到在虚拟环境里装 PyTorch 并用 PyCharm 挂载，最后验证 GPU 是否真的可用。适合刚拿到带 N 卡的机器、准备跑第一个训练脚本的人，也适合被环境冲突折磨过、想重新理一遍的老手。

2. 用 conda 建一个干净环境：命令、参数与目录结构

2.1 为什么是 conda 而不是 venv

Python 自带的 venv 只能隔离 pip 包，管不了 Python 版本本身，更管不了 CUDA 工具链这种系统级依赖。conda 是跨语言的包管理器，能同时锁 Python 版本、装二进制库、管理环境目录，对深度学习这种"Python + 编译好的 CUDA 扩展"的组合更合适。常见做法是：机器上装一个 Anaconda 或 Miniconda，之后所有项目都从它派生独立环境，base 只留 conda 自己。

选 Miniconda 还是完整版 Anaconda？如果只是配深度学习环境，Miniconda 体积小、干净，装完自己按需conda install；完整版预装了几百个科学计算包，省事但臃肿。我一般给新机器装 Miniconda，环境自己控。

2.2 新建与激活环境的具体命令

# 新建一个名为 pytorch 的环境，指定 Python 版本 # -n 后面跟环境名，python= 后面跟版本号 conda create -n pytorch python=3.8 # 中途会提示确认，输入 y 回车 # 建完后查看所有环境，带 * 的是当前激活的 conda env list # 激活环境（Windows 和 Linux/macOS 命令不同） conda activate pytorch # Windows / 新版 conda 通用 # source activate pytorch # 老版本 Linux/macOS 可能需要这句 # 退出环境 conda deactivate

参数说明：-n pytorch里的pytorch是环境名，随便起，但建议和项目对应，别用test1、env2这种，过俩月自己都忘了是干嘛的。python=3.8是硬约束，PyTorch 1.7 官方支持到 3.8，装 3.9 以上可能找不到对应 wheel。环境建好后，所有 pip 和 conda 安装都只影响这个环境，base 纹丝不动。

提示：激活环境后命令行提示符前面会出现(pytorch)，这是判断当前在哪个环境最直接的方式。装包前先看一眼，能省掉一半"装错地方"的坑。

2.3 环境目录长什么样，出问题去哪看

conda 环境默认放在 Anaconda 安装目录的envs/下，比如~/miniconda3/envs/pytorch/。里面bin/（Windows 是Scripts/）放可执行文件，lib/site-packages/放第三方库。如果哪天环境彻底装乱了，直接conda remove -n pytorch --all删掉重建，比在里面修修补补快得多。这也是虚拟环境最大的价值：它是可抛弃的，坏了不心疼。

3. 显卡驱动、CUDA 与 cuDNN：版本怎么对，顺序怎么走

3.1 先查驱动，再定 CUDA 上限

装 CUDA 之前必须先看显卡驱动版本，因为驱动决定了你能装的 CUDA 上限。打开 NVIDIA 控制面板，点"系统信息"，或者命令行直接查：

nvidia-smi

输出右上角会显示CUDA Version: 11.2之类的字样。这个数字不是"你已装的 CUDA 版本"，而是"当前驱动最高支持的 CUDA 版本"。原文里 11.2 > 11，所以装 CUDA 11.0 没问题。反过来，如果驱动只支持到 10.2，你硬装 11.0 的 CUDA，PyTorch 会报CUDA driver version is insufficient，这是最典型的版本不匹配翻车。

版本对应关系记一条经验：CUDA 11.0 要求驱动版本大约 450.36 以上，CUDA 11.2 要求 460 以上。不确定就去 NVIDIA 官方文档查对应表，别凭感觉。

3.2 CUDA 和 cuDNN 的安装顺序

顺序是：先装 CUDA Toolkit，再把 cuDNN 的文件覆盖进去。CUDA 从 NVIDIA 官网下载对应版本的 runfile 或 exe，安装时选自定义，可以取消勾选驱动（驱动已经装好了就别动它）。装完验证：

nvcc -V

能打印出版本号就说明 CUDA 装上了。cuDNN 是一个压缩包，解压后把bin/、include/、lib/里的文件分别拷到 CUDA 安装目录对应的文件夹里。这一步没有安装程序，纯手动覆盖，容易漏文件。拷完可以检查cuda/lib/x64/下有没有cudnn64_8.dll（Windows）或libcudnn.so（Linux）。

注意：CUDA 和 cuDNN 的版本必须配套。cuDNN 8.0 对应 CUDA 11.0，cuDNN 8.1 对应 CUDA 11.2，装错组合会在训练时报CUDNN_STATUS_NOT_INITIALIZED，排查起来很费时间。

3.3 版本组合表：我用的这套

这张表是原文里那套组合的整理。核心逻辑两条：一是 CUDA 版本不能超过驱动上限，二是 PyTorch、Torchvision、Python 三者版本要互相兼容。Torchvision 和 PyTorch 是强绑定关系，0.8.1 配 1.7.0，装错一个另一个大概率 import 失败。

4. 在虚拟环境里装 PyTorch：命令、换源与验证

4.1 从官网拿安装命令，别自己拼

PyTorch 官网的 previous-versions 页面按版本列出了对应的安装命令，找到 1.7.0 + CUDA 11.0 那一行，直接复制。自己拼pip install torch==1.7.0很容易漏掉torchvision和 CUDA 后缀，装出来是 CPU 版。典型命令长这样：

# 在已激活的 pytorch 环境里执行 # 注意 torch、torchvision 版本要和 CUDA 版本对应 pip install torch==1.7.0+cu110 torchvision==0.8.1+cu110 torchaudio==0.7.0 -f https://download.pytorch.org/whl/torch_stable.html

+cu110是 CUDA 11.0 的编译标记，没有这个后缀就是 CPU 版。-f指定 wheel 下载源，官网这个地址在国内访问可能很慢。

4.2 换国内源加速

下载慢就把源换成国内的。原文列了几个镜像，我常用清华和阿里云：

# 临时指定源安装（推荐，不影响全局配置） pip install torch==1.7.0+cu110 torchvision==0.8.1+cu110 -i https://pypi.tuna.tsinghua.edu.cn/simple # 或者永久配置默认源 pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

常用镜像地址：

提示：换源只加速下载，不改变包内容。但要注意有些镜像同步有延迟，如果某个版本在镜像上找不到，换回官方源再试一次。

4.3 装完必须验证的三行代码

装完不验证等于没装。激活环境后依次执行：

conda activate pytorch # 激活环境 python # 进入 Python 交互

import torch # 导入 PyTorch print(torch.__version__) # 输出 torch 版本，应为 1.7.0 print(torch.cuda.is_available()) # 输出 True 表示 GPU 可用 print(torch.cuda.get_device_name(0)) # 输出显卡型号，确认认到了卡

torch.cuda.is_available()返回False是最常见的翻车点，原因通常有三类：装成了 CPU 版（命令里漏了+cu110）、CUDA 和驱动版本不匹配、或者环境变量没配好。先看torch.__version__里有没有+cu后缀，没有就是装错包了，重装。

4.4 让 PyCharm 用上这个环境

PyCharm 里新建项目时，解释器选"已存在的 conda 环境"，路径指向envs/pytorch/python.exe（Windows）或envs/pytorch/bin/python（Linux/macOS）。选好后 PyCharm 底部的终端会自动激活该环境，跑脚本时用的就是这套库。如果之前项目用的是 base 解释器，记得在 Settings → Project → Python Interpreter 里改过来，否则会出现"命令行能跑、PyCharm 报 ModuleNotFoundError"的玄学问题。

5. 避坑排查：五个我踩过的真实问题

5.1 现象：torch.cuda.is_available()返回 False

原因：最常见是装成了 CPU 版，命令里没有+cu110后缀；其次是 CUDA 版本超过驱动上限。解决：先print(torch.__version__)看有没有+cu标记，没有就卸载重装带 CUDA 后缀的版本；有标记但仍 False，用nvidia-smi确认驱动支持的 CUDA 上限，必要时降 CUDA 版本。

5.2 现象：conda 装包卡在 Solving environment

原因：conda 的依赖求解器在包多的时候会非常慢，这是它的老毛病。解决：能用 pip 装的就用 pip，尤其在虚拟环境里，pip 和 conda 混用虽然不推荐，但装 PyTorch 这类 wheel 包时 pip 更快。或者换mamba替代 conda，求解速度提升明显。

5.3 现象：PyCharm 里 import torch 报 ModuleNotFoundError

原因：PyCharm 项目解释器还指向 base 或其他环境，没切到新建的 pytorch 环境。解决：Settings → Project Interpreter 里手动指定envs/pytorch/下的 python 可执行文件，确认列表里能看到 torch。

5.4 现象：训练时报CUDNN_STATUS_NOT_INITIALIZED

原因：cuDNN 版本和 CUDA 不配套，或者 cuDNN 文件没拷全。解决：核对 cuDNN 与 CUDA 的对应关系（8.0 配 11.0），重新解压 cuDNN 并把三个目录的文件完整覆盖到 CUDA 安装目录，别只拷 dll 漏了 lib。

5.5 现象：装完 PyTorch 后其他库报版本冲突

原因：在 base 环境里装过东西，或者多个环境共用了同一个 pip 缓存导致装串。解决：确认当前激活的是目标环境（提示符有(pytorch)），用pip list看已装包，冲突严重就删环境重建。这也是为什么一开始就强调别在 base 里装。

6. 进阶技巧：用 environment.yml 一键复现整套环境

手动敲命令配环境，换台机器就得重来一遍，还容易漏。更稳的做法是把环境导出成environment.yml，别人拿到文件一条命令就能复现。导出命令：

# 导出当前环境的所有依赖 conda env export -n pytorch > environment.yml # 只导出显式安装的包（更干净，推荐） conda env export -n pytorch --from-history > environment.yml

--from-history只记录你手动conda install过的包，不带一堆自动解析出来的传递依赖，跨平台兼容性更好。拿到 yml 的人执行：

conda env create -f environment.yml

就能得到同名环境。但要注意，pip 装的包（比如带+cu110的 PyTorch）不会完整写进 conda 的 yml，常见做法是在 yml 里加一段pip:节点手动补上：

name: pytorch channels: - defaults dependencies: - python=3.8 - pip - pip: - torch==1.7.0+cu110 - torchvision==0.8.1+cu110

这样别人conda env create时会自动走 pip 装 PyTorch。我现在的习惯是：每配好一个新环境，第一件事就是导出 yml 存进项目仓库，换机器、重装系统、交接给同事，都靠它。从那以后我每次配完环境都强制走一遍导出和重建验证，确认 yml 真能跑起来才敢删本地环境。希望帮到你。

本文还有配套的精品资源，点击获取