准备环境：
先安装 Anaconde 环境
1.Anaconda中环境的创建
windows 安装的版本
打开Anaconde 工具
查看基础环境下的包：conde list
我们发现，自动安装的anaconda，自带的python 是3.14 的
创建独立的环境（我电脑安装的python是3.12.8的）
可以先执行：# 删掉所有镜像源 conda config --remove-key channels
conda create -n 环境名词 python==版本
例如：conda create -n test python=3.12.4 --override-channels -c defaults
解释：--override-channels -c defaults 表示 创建环境，强制忽略本地镜像，全程只用官方源创建虚拟环境
运行之后的效果：
查看是否存在创建好的环境
执行conda env list
激活刚才创建的test环境
注意：为什么提示「系统找不到指定的路径」
旧版 Anaconda 在 Windows CMD 中执行 conda activate test 时，会先尝试去找老式批处理激活脚本 activate.bat，这个脚本在新版 conda 已经废弃移除，系统检索不到这个老旧文件，于是弹出路径找不到的报错。 报错只是查找旧脚本失败，并不会中断激活流程。
输入condalist命令，查看该环境下的所有依赖包，可以看到有一个Python版本为3.12.4，到此anaconda中的Python环境就安装好了，我们有了对应版本的Python解释器可以进行Python代码的撰写了。
2.Pytorch 官网
下来，找安装信息，安装之前的版本：
目前使用的版本是：2.4.0，我用的是CPU的版本，将其复制出来
打开 anaconda中对应的环境，例如 test，执行上面的命令
复制的命令为：conda install pytorch==2.4.0 torchvision==0.19.0 torchaudio==2.4.0 cpuonly -c pytorch
可以在命令后面添加：-c defaults 补充官方基础仓库，提供 numpy、blas、libjpeg-turbo 依赖
例如：conda install pytorch==2.4.0 torchvision==0.19.0 torchaudio==2.4.0 cpuonly -c pytorch -c defaults
注意：如果执行报错，可以连自己的手机热点试试。（我就是连热点才搞定的）
安装完毕之后，查看环境下，是否安装了对应的资源
conda list
看到的版本和上面 conda install ... 命令对应的版本一样，即可。
例如：我们可以在此环境下，手动安装我们需要的依赖库，例如：torchinfo、pandas、matplotlib、sklearn 等
例如：
bash
pip install torchinfo==1.8.0
pip install pandas==2.2.3
pip install matplotlib==3.9.2
pip install scikit-learn==1.6.1命令可以整合为：
pip install torchinfo==1.8.0 pandas==2.2.3 matplotlib==3.9.2 scikit-learn==1.6.1
查看环境下的安装结果：
conda list
到此环境创建完毕。
3.测试：打开 PyCharm 进行测试
在PyCharm中创建一个Python项目
配置Pytorch 对应的环境
在项目的右下角进行配置：
选择你自己安装的 anaconda的位置
然后点击：加载环境
如果加载环境报错，可以不执行，选择下面的步骤：
选择：anaconda下的envs下的环境名下面的python.exe 文件
创建好项目之后，也加载好了。
在项目上创建一个app.py 文件，写如下代码进行测试：
python
import numpy
import pandas
import torch
if __name__ == '__main__':
print(torch.__version__)或者 执行以下代码
python
import torch
# 检测GPU是否可用
flag = torch.cuda.is_available()
print("CUDA 是否可用:", flag)
ngpu = 1
# 自动选择设备：有GPU则使用 cuda:0，否则使用CPU
device = torch.device("cuda:0" if (torch.cuda.is_available() and ngpu > 0) else "cpu")
print("运行设备:", device)
if torch.cuda.is_available():
# 获取显卡名称
print("GPU 型号:", torch.cuda.get_device_name(0))
# 创建张量并放到GPU上
print("GPU 张量示例：\n", torch.rand(3, 3).cuda())
# 查看 PyTorch 绑定的 CUDA、cuDNN 版本
cuda_version = torch.version.cuda
cudnn_version = torch.backends.cudnn.version()
print("CUDA Version:", cuda_version)
print("CuDNN Version:", cudnn_version)能输出出来，到此Pythorch环境搭建就大功告成了。