企业官网建设流程全解析

1. 写在前面：Windows 下装 PyTorch 这件事，其实没你想的那么折腾

如果你在 Windows 上装过 PyTorch，大概率经历过这种画面：打开官方推荐的那条安装命令，复制粘贴，回车，然后盯着终端进度条一分钟都不带动的。等了几分钟，要么直接超时失败，要么下载到一半断掉，要么好不容易装完了，进 PyCharm 一跑import torch，红字报错直接把人看懵。

我刚开始接触深度学习那会儿也被这套流程劝退过好几次。后来折腾得多了，才慢慢摸清楚问题其实出在三个地方：Python 环境不干净、下载源没选对、PyCharm 解释器和虚拟环境没配对。这三个问题一旦解决，整套流程十分钟之内就能跑通，后续写代码、训练小模型也顺得不行。

这篇教程就是围绕这三件事来说的。我会带你从零开始，在 Windows 上完成 PyTorch 的安装，全程使用国内镜像加速，再把 PyCharm 的环境配置到能直接跑通代码的程度。整个流程适合刚入门深度学习、想在本地跑神经网络实验的同学，也适合那些之前装过但老是出问题的朋友，照着走一遍基本能清零大部分常见的坑。

在开始之前先打个预防针：PyTorch 的安装逻辑本身并不复杂，复杂的是很多人连第一步都没搞清就急着复制命令。所以下面我会先把关键点拆开讲，再给你一条可以直接照着做的完整命令流程。你不需要懂太多底层机制，但多理解一点原理，出问题时自己也能判断个大概。

2. 装之前必须搞清楚的三件事

2.1 先装 Python，别上来就装 PyTorch

很多人第一次装 PyTorch 失败，是因为压根没装 Python，或者系统里同时存在好几个 Python 版本，导致 pip 不知道该装到哪个环境里去。

PyTorch 本身是 Python 的一个第三方库，它依赖 Python 的包管理工具 pip 来安装。所以正确的顺序是：先装 Python，再创建虚拟环境，最后在虚拟环境里安装 PyTorch。这个顺序不能乱。

Windows 下的 Python 安装比较简单，直接到官网下载 Windows 安装包即可。需要注意的是，安装时务必勾选"Add Python to PATH"这一项，否则后面在命令行里敲python会提示找不到命令。安装完成后，打开命令提示符（Win + R 输入 cmd），输入python --version，能正常输出版本号就说明基础环境没问题。

如果你以前装过 Python 但版本比较老，建议尽量用 3.9 及以上版本。PyTorch 对老版本 Python 的兼容性虽然还在，但部分新功能和新预编译包的依赖要求会偏高，用新版本省事很多。

2.2 理解"国内镜像"到底解决的是什么问题

所谓"国内镜像"，本质上就是把默认的海外软件仓库内容同步一份到国内服务器上。你下载 PyTorch 时，pip 默认访问的是官方源（也就是海外的源站），跨海下载速度非常不稳定，尤其在高峰期，几十 MB 的包也可能拖成几十分钟。

换用国内镜像后，你的请求会直接打到延迟很低的本地服务器上，速度提升是肉眼可见的。通常在 Windows 下用清华源或阿里源，几十到几百 MB 的安装包都能在几分钟内拉完，有些甚至几秒钟就能搞定。

需要说明的是，"国内镜像"和网络加速是两码事，它只解决软件下载渠道的物理距离问题，不解决任何其他联网问题。也就是说，你只要能把 pip 的下载源切到国内镜像上，安装速度的问题就解决了一大半。

2.3 选版本：CPU 版还是 GPU 版

这是新手最容易迷糊的地方。其实 PyTorch 分两种预编译版本：CPU 版和 GPU 版（也就是 CUDA 版）。CPU 版不依赖独立显卡，任何电脑都能跑，但训练速度慢；GPU 版需要你的电脑有 NVIDIA 显卡，并且要安装匹配的显卡驱动和 CUDA 工具包。

如果你只是学习代码逻辑、跑一些轻量级实验，CPU 版完全够用。如果你的电脑有 NVIDIA 显卡，并且后续要训练稍微大一点的模型，那么装 GPU 版会明显更快。

多数情况下，本地开发环境我建议分开管理：日常写代码验证逻辑用 CPU 版，跑真正的训练任务再切换到 GPU 版。虚拟环境可以让它们共存而不互相干扰，后面我会详细说怎么做。

> 注意：如果你拿不准自己该装哪种，先查一下显卡型号。在任务管理器"性能"标签里能看到 GPU 名称，如果里面有 NVIDIA 字样，才需要考虑 CUDA 版；如果是 Intel 核显或 AMD 显卡，直接装 CPU 版就行。

3. 实操全过程：从空环境到跑通 PyTorch

3.1 创建干净的虚拟环境

我强烈建议你无论装什么 Python 包，都先建一个独立虚拟环境。虚拟环境就像给项目单独划出一个小隔间，里面装的包互不影响，也不会污染全局环境。

打开命令提示符，执行以下命令创建一个名为torch_env的虚拟环境：

python -m venv torch_env

创建完成后，激活这个环境：

torch_env\Scripts\activate

激活成功后，命令行最前面会出现(torch_env)的提示，这就表示你现在已经处于虚拟环境中了。后续所有安装操作都基于这个环境进行。

3.2 把 pip 切换成国内镜像

切镜像有两种方式：临时指定和永久写入配置。临时指定就是在安装命令里加-i https://pypi.tuna.tsinghua.edu.cn/simple，只影响当前这一条命令。永久配置则是把镜像源写进 pip 的配置文件里，以后每次用 pip 自动走镜像，不用每次输一长串。

如果你是新手，我更推荐直接永久配置。执行下面这条命令，pip 就会把清华源写进用户级配置文件：

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

配置完成后，可以用pip config list检查一下镜像源是否生效。以后你在这个环境里执行任何 pip 安装命令，都会自动从清华源拉文件，速度会稳定很多。

3.3 安装 PyTorch：CPU 版与 GPU 版命令详解

镜像配好后，安装 PyTorch 本身就是一条命令的事。

CPU 版安装命令：

pip install torch torchvision torchaudio

这条命令会安装三个核心包：torch 是主框架，torchvision 是图像处理相关的工具箱，torchaudio 是音频处理相关的工具箱。对绝大多数视觉、文本任务来说，这三个包一次装齐就够了。

GPU 版安装命令：

这里有个容易踩坑的点。如果你直接用上面的命令装 GPU 版，默认装的是 CPU 版，因为 pip 默认会优先匹配你本机兼容的版本。要装 GPU 版，需要指定 CUDA 版本对应的安装源和标签。

以 CUDA 11.8 为例，命令是：

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

这个命令会从 PyTorch 官方预编译仓库拉取 CUDA 11.8 对应的所有包。缺点是这个地址本身在海外，下载速度可能不理想。这时候需要把下载源和解析索引分开处理：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 --extra-index-url https://pypi.tuna.tsinghua.edu.cn/simple

不过实际测试下来，更省事的方法是直接用镜像站同步的 PyTorch 轮子包。你可以把上面的命令替换成国内镜像对应的 wheel 地址：

pip install torch==2.0.1+cu118 torchvision==0.15.2+cu118 torchaudio==2.0.1+cu118 -f https://mirrors.aliyun.com/pytorch-wheels/cu118/

这条命令的作用是：从阿里云镜像站点下载 PyTorch 的预编译轮子文件。因为轮子文件本身就是为 Windows + CUDA 编译好的，所以不需要本地再装完整的 CUDA 工具包，只需要保证显卡驱动够新即可。

> 提示：GPU 版的安装，多数情况下不需要单独安装 CUDA Toolkit。预编译包内部已经绑定好必要的 CUDA 运行库，只要 NVIDIA 驱动版本满足要求就能跑。别被网上那些必须装 CUDA Toolkit 的教程带偏，先试最简单的方案。

3.4 验证安装是否成功

安装完成后，来到验证这一步。在命令行里输入：

python -c "import torch; print(torch.__version__)"

如果正常输出类似2.0.1+cu118这样的版本号，说明 PyTorch 核心包已经安装成功。

接下来验证 PyTorch 是否能正常调用 GPU：

python -c "import torch; print(torch.cuda.is_available())"

如果是 CPU 版，这里会输出False，这是正常的，不代表安装失败。如果是 GPU 版且驱动环境正常，这里会输出True，同时你还可以通过torch.cuda.get_device_name(0)查看显卡型号。

到这里，命令行层面的安装工作就全部完成了。但很多人卡在下一步：明明命令行里验证没问题，进了 PyCharm 却报错，或者压根找不到这个环境。接下来就解决这个问题。

4. PyCharm 环境配置：让代码跑起来的最后一公里

4.1 新建项目并绑定虚拟环境

打开 PyCharm，新建项目时选择"Previously configured interpreter"（使用已配置的解释器），然后在解释器列表里找到你刚才创建的虚拟环境。

如果没有出现在列表里，需要手动添加：点击 "Add Interpreter" -> "Existing environment" -> 右边的三点按钮，浏览到刚才创建的虚拟环境目录下的python.exe文件。路径一般类似：

C:\Users\你的用户名\venvs\torch_env\Scripts\python.exe

选好后，PyCharm 会自动识别该环境以及其中的所有第三方包。

这里我特别强调一个新手常犯的错误：千万不要直接用全局 Python 作为解释器，也不要勾选"New environment using Virtualenv"重新创建一个新环境。这两种做法都会导致你辛苦装的 torch 在新环境里找不到，最终出现ModuleNotFoundError: No module named 'torch'的报错。

4.2 在 PyCharm 里验证并跑第一个测试脚本

绑定好解释器后，新建一个 Python 文件，随便起个名字，比如test_torch.py，内容写上：

import torch print("PyTorch 版本:", torch.__version__) print("CUDA 可用:", torch.cuda.is_available()) if torch.cuda.is_available(): print("GPU 名称:", torch.cuda.get_device_name(0))

直接右键运行这段代码。如果输出正常，说明 PyCharm 和 PyTorch 已经完成对接，你可以开始正常写代码了。

如果在这一步报了No module named 'torch'，优先检查 PyCharm 右下角显示的解释器路径是不是指向了你激活的那个虚拟环境。很多情况下，PyCharm 默认用的是全局解释器，改回来问题就解决了。

4.3 PyCharm 里还有几个值得改的配置

解释器配对完成后，有几项配置可以顺手改掉，能明显提升使用体验。

设置 pip 镜像：虽然你已经在命令行里配置过 pip 全局镜像，但 PyCharm 自带的包管理工具是独立进程，它默认不走命令行里的 pip 配置。推荐在 PyCharm 的设置里，导航到 "Project" -> "Python Interpreter" 下的 "Manage Repositories"，把清华或阿里镜像地址加进去。这样你在 PyCharm 图形界面上安装包时也能享受加速。

设置默认项目路径："Settings" -> "Appearance & Behavior" -> "System Settings"，把默认项目目录改成你习惯的工作目录，避免每次都要重新定位。

设置代码风格：如果后续要写大量代码，建议顺手把缩进、换行等风格统一，避免复制别人代码时出现格式混乱。不过这部分看个人习惯，不调整也不影响功能。

> 注意：PyCharm 的"运行"按钮旁边那个绿色三角，默认是在当前文件所在目录下运行解释器。如果你开了多个项目窗口，一定要确认当前打开的这个项目绑定的是正确的虚拟环境，否则很容易出现环境对不上、代码跑不起来的情况。

5. 常见问题与排查实录：我把这些年踩过的坑整理成了表格

5.1 安装过程中的高频报错

5.2 命令行装好了、PyCharm 里却找不到包

这个问题占了我收到疑问的一大半。命令行能导入 torch，说明安装没问题；PyCharm 导入失败，基本只有一个原因：PyCharm 解释器指向的环境和命令行激活的环境不是同一个。

举个例子：你在命令行里激活的是torch_env，但 PyCharm 默认新建了一个.venv环境，那 torch 只存在于torch_env里，.venv里当然找不到。你要么在 PyCharm 里把解释器切换到torch_env，要么在torch_env里重新安装一遍包。

5.3 CUDA 相关问题的排查思路

很多人在 Windows 上遇到 GPU 版 PyTorch 装完但cuda.is_available()返回 False，第一反应是重装 CUDA、重装 PyTorch，来回折腾好几轮也没解决。我的排查经验是，先跑下面这几条命令：

nvidia-smi

如果提示找不到命令，说明没有安装 NVIDIA 驱动或者驱动不在 PATH 里，先装驱动。如果能正常输出显卡信息，看右上角的 CUDA 版本号，保证你的驱动支持 CUDA 版本不要太老。一般驱动版本在 450 以上，跑常见 PyTorch 版本都没问题。

另一个容易被忽视的点是笔记本电脑的双显卡切换。很多笔记本是集显加独显的组合，如果系统默认让 Python 使用集显，torch.cuda.is_available()也不会报错，但会返回 False。你可以在 Windows 的"图形设置"里指定某个应用使用高性能 NVIDIA 处理器，但说实话，日常跑代码很少被这个影响，所以先排除驱动问题再考虑这个。

5.4 虚拟环境管理的一个小建议

如果觉得命令行手动创建和管理虚拟环境麻烦，也可以直接用 PyCharm 创建虚拟环境，然后在 PyCharm 的终端里执行 pip 安装。只要保证创建环境和安装包用的是同一个环境即可。

我自己实际建议是：Windows 下用命令行创建环境，再用 PyCharm 绑定，因为这样环境的位置可控、命名清晰，后续多项目切换也更高效。

6. 一些值得说的实在话

这套流程写下来，其实技术含量并没有多高，核心就三件事：干净的 Python 环境、合理的下载源、匹配的解释器。真正的价值在于，每个环节我都踩过各种意料之外的坑，所以知道你会卡在哪里。

就我个人经验来说，安装 PyTorch 真遇到问题，九成以上不是命令不对，而是环境错乱。见过太多同学在全局环境里堆了几百个包，互相不兼容，最后怎么装都报错。所以说虚拟环境不是可选项，而是必选项，尤其在 Windows 下，这能帮你省掉大量排查时间。

最后再分享一个小细节：装好之后，建议第一时间在 PyCharm 里把那个test_torch.py跑通再关闭，不要只在命令行验证完就觉得完事了。因为命令行环境、PyCharm 解释器选择、包路径解析这三者之间有个简短的延迟和匹配过程，只有亲自跑通一次，你才能确定整套链路是通的。把这套基础打牢，后面无论是读代码、跑实验，还是换环境重装，你心里都是有底的。