Pytorch深度学习环境配置与测试

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

https://pytorch.org/

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 复制代码

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 复制代码

import numpy
import pandas
import torch

if __name__ == '__main__':
    print(torch.__version__)

或者执行以下代码

python 复制代码

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。