关于pytorch虚拟环境及具体bug问题修改

本篇博客包含对于虚拟环境概念的讲解和代码实现过程中相关bug的解决

关于虚拟环境

我的pytorch虚拟环境在D盘,相应python解释器也在D盘(一起),但是我的pycharm中的项目在C盘,使用的是pytorch的虚拟环境,这是为什么行得通呢?

后来知道 Python 虚拟环境的核心逻辑是 "解释器与项目路径分离",只要 PyCharm 能正确找到虚拟环境中的 Python 解释器,无论解释器和项目文件在哪个磁盘分区,都能正常工作。具体原因如下:

1. 虚拟环境的本质:独立的解释器与依赖库

虚拟环境(如你在 D 盘的 PyTorch 环境)本质上是一个 包含独立 Python 解释器(python.exe)和依赖库文件夹(site-packages)的目录 。例如,它的路径可能是:
D:\envs\pytorch-gpu\python.exe

这个环境的核心作用是:

  • 提供一个独立的 Python 解释器,不依赖系统默认的 Python。
  • 所有安装的库(如 torchtensorboard)都保存在该环境的 site-packages 文件夹中(如 D:\envs\pytorch-gpu\Lib\site-packages)。

只要 PyCharm 能通过路径找到这个 python.exe,就能调用该环境的解释器和依赖库,与项目文件(C 盘)的位置无关。

2. PyCharm 的工作逻辑:关联解释器而非依赖路径

PyCharm 管理项目时,关键是 "指定项目使用哪个 Python 解释器",而非 "解释器必须和项目在同一磁盘"。具体流程是:

  1. 你在 PyCharm 中为项目指定了解释器路径(D 盘的 pytorch-gpu 环境)。

  2. PyCharm 会记录这个路径,并在运行代码、安装依赖时,强制使用该解释器:

  • 当你在 PyCharm 终端运行 pip install xxx 时,实际调用的是 D:\envs\pytorch-gpu\Scripts\pip.exe,安装的库会存到 D 盘的 site-packages
  • 当你运行项目代码时,PyCharm 会用 D:\envs\pytorch-gpu\python.exe 执行 C 盘的项目文件(.py)。

这种 "解释器在 D 盘,项目在 C 盘" 的分离,就像 "用 D 盘的播放器播放 C 盘的视频文件" 一样自然,完全不冲突。

3. 跨磁盘工作的底层原理

文件读取机制 :操作系统(Windows)允许程序跨磁盘读取文件,只要路径正确(例如,D 盘的 Python 解释器可以读取 C 盘的 .py 代码文件)。

环境变量与路径解析 :虚拟环境被激活时,PyCharm 会临时调整终端的环境变量,让 pythonpip 等命令指向 D 盘的解释器,确保所有操作都基于该环境。

关于tensorboard的实战bug问题

原代码如下:

python 复制代码
from torch.utils.tensorboard import SummaryWriter
# ctrl + 右键 也可以查看这个类的说明

writer = SummaryWriter('log')# 指定日志保存目录

# writer.add_image()
for i in range(100):
    writer.add_scalar('y=x', i, i) # 添加标量数据

writer.close()

在终端运行时,大家可以很清楚看到,使用python来运行和直接使用类来运行的差别,前者可以正常运行,后者会报错,找不到路径

python 复制代码
(pytorch-gpu) PS C:\Users\admin\Desktop\huahuo\pytorch_learn\pycharm> python -m tensorboard.main --logdir=log
TensorFlow installation not found - running with reduced feature set.
Serving TensorBoard on localhost; to expose to the network, use a proxy or pass --bind_all
TensorBoard 2.19.0 at http://localhost:6006/ (Press CTRL+C to quit)

(pytorch-gpu) PS C:\Users\admin\Desktop\huahuo\pytorch_learn\pycharm> tensorboard --logdir=log
tensorboard : 无法将"tensorboard"项识别为 cmdlet、函数、脚本文件或可运行程序的名称。请检查名称的拼写,如果包括路径,请确保路径正确,然后再试一次。
所在位置 行:1 字符: 1
+ tensorboard --logdir=log
+ ~~~~~~~~~~~
    + CategoryInfo          : ObjectNotFound: (tensorboard:String) [], CommandNotFoundException
    + FullyQualifiedErrorId : CommandNotFoundException

差别原因在于:在命令行中直接运行 tensorboard 命令和通过 Python 模块(python -m tensorboard.main)调用 TensorBoard 时,系统查找可执行文件的方式存在差异

PATH 环境变量方面

  • 当使用 python -m tensorboard.main 命令时,Python 会依据自身的模块搜索路径来查找 TensorBoard,这和环境变量 PATH 没有关系。

  • 而直接输入 tensorboard 命令时,系统会在 PATH 环境变量所列出的目录里查找对应的可执行文件。要是 TensorBoard 的可执行文件所在目录没有被包含在 PATH 中,就会出现找不到命令的错误。

Anaconda 环境的特性

  • Anaconda 环境在激活之后,会动态地对 PATH 进行修改,把环境中的 Scripts 目录添加进去。不过,这种修改有时候可能会失败或者不完整。

  • TensorBoard 的可执行文件一般位于 Anaconda 环境的 Scripts 文件夹中,比如:

    C:\Users\admin\anaconda3\envs\pytorch-gpu\Scripts\tensorboard.exe

解决办法

方法 1:使用 Python 模块调用

推荐继续采用 python -m tensorboard.main --logdir=log 这种方式来启动 TensorBoard,因为它不依赖 PATH 环境变量,所以更加可靠。

待续
相关推荐
keerduoba13 小时前
PDFParser 的pickle.loads 寻找链(源码)wmctf2025-pdf2text
python·pdf·pickle·pdf与pickle反序列化
吃饭睡觉发paper13 小时前
High precision single-photon object detection via deep neural networks,OE2024
人工智能·目标检测·计算机视觉
醉方休13 小时前
TensorFlow.js高级功能
javascript·人工智能·tensorflow
云宏信息13 小时前
赛迪顾问《2025中国虚拟化市场研究报告》解读丨虚拟化市场迈向“多元算力架构”,国产化与AI驱动成关键变量
网络·人工智能·ai·容器·性能优化·架构·云计算
红苕稀饭66613 小时前
VideoChat-Flash论文阅读
人工智能·深度学习·机器学习
周杰伦_Jay13 小时前
【图文详解】强化学习核心框架、数学基础、分类、应用场景
人工智能·科技·算法·机器学习·计算机视觉·分类·数据挖掘
Teacher.chenchong13 小时前
基于PyTorch深度学习无人机遥感影像目标检测、地物分类及语义分割实践技术应用
pytorch·深度学习·无人机
该用户已不存在13 小时前
PHP、Python、Node.js,谁能称霸2025?
python·node.js·php
luckys.one14 小时前
第12篇|[特殊字符] Freqtrade 交易所接入全解:API、WebSocket、限频配置详解
网络·ide·python·websocket·网络协议·flask·流量运营
Pocker_Spades_A14 小时前
Python快速入门专业版(四十六):Python类的方法:实例方法、类方法、静态方法与魔术方法
开发语言·python