Anaconda/Miniconda 环境配置及 PyTorch GPU 版本安装指南

先说目标

你需要拿到一个可复现的深度学习环境，并且明确知道为什么这样配：

• 为什么推荐 Miniconda；
• 驱动、CUDA、PyTorch 到底谁依赖谁；
• 怎样安装不容易装成 CPU 版；
• VS Code / Jupyter 为什么会“看起来同一个环境但实际不是”。

如果你第一次配环境，建议严格按文中顺序做，不要跳步。

---

为什么推荐 Miniconda，而不是直接乱装 Python

很多环境问题不是出在 PyTorch，而是出在“解释器不唯一”。

常见混乱：

• 电脑上同时有系统 Python、官网 Python、IDE 内置 Python、conda Python；
• pip install 装到了 A 解释器，运行代码却在 B 解释器；
• 项目 A 和项目 B 依赖版本冲突，互相覆盖。

Miniconda 的本质不是“另一个 Python”，而是“环境隔离器”：

• 每个项目有独立解释器和依赖树；
• 依赖冲突被隔离在各自环境内；
• 环境可以导出和复现（团队协作非常重要）。

所以推荐策略是：

• 系统层只安装 Miniconda；
• 每个项目单独环境；
• 尽量不在 base 环境做训练项目。

---

一步一步操作（Windows）

1) 安装 Miniconda 并确认可用

安装完成后打开 Anaconda Prompt：

conda --version

有版本号即正常。

2) 新建独立环境并激活

conda create -n dl-gpu python=3.10 -y
conda activate dl-gpu
python -V

为什么推荐 python=3.10：

• 对大部分深度学习库兼容性好；
• 比较少遇到“新版本 Python 但依赖还没跟上”的问题。

3) 先验证 NVIDIA 驱动层

nvidia-smi

这一步验证的是“操作系统是否能和显卡驱动正常通信”，不代表 PyTorch 已经可用。

---

驱动、CUDA、PyTorch 的关系（这是关键原理）

很多人把这三者搞反。正确理解是：

• NVIDIA Driver（驱动）：系统层，负责让 OS 能控制 GPU；
• CUDA Toolkit（nvcc 等）：开发层，用于编译 CUDA 程序；
• PyTorch CUDA 包：框架层，通常自带需要的 CUDA 运行时。

因此：

• 只做 PyTorch 训练/推理，往往不必单独安装完整 Toolkit；
• 但驱动一定要正常；
• 需要编译自定义 CUDA 扩展时，才强依赖本地 Toolkit 和 nvcc。

---

CUDA Toolkit 如何安装与验证（按需）

如果你需要安装 Toolkit（例如要编译 CUDA 扩展）：

1. 去 NVIDIA 官网下载对应版本（11.8 / 12.1 / 12.4 常见）；
2. 正常安装（默认组件即可）；
3. 新开终端验证：

nvcc -V

这一步验证的是“CUDA 编译器链路”是否可用。

再看驱动：

nvidia-smi

这一步验证的是“驱动链路”。

最后用 PyTorch 验证框架层：

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

三层含义：

• nvidia-smi：系统驱动层
• nvcc -V：CUDA 开发工具层
• torch.cuda.is_available()：框架运行层

只要你是普通训练场景，最关键的是第一层和第三层。

---

安装 PyTorch GPU 版（避免 CPU 版误装）

先升级 pip：

python -m pip install --upgrade pip

然后去 PyTorch 官网复制当前推荐命令。示例（cu121）：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

为什么强调“官网命令”：

• 不同 PyTorch 版本对应不同 CUDA runtime 包；
• 手写容易装错源，最终装成 CPU 版。

安装后立即验证

python -c "import torch; print('torch:', torch.__version__); print('torch cuda runtime:', torch.version.cuda); print('cuda available:', torch.cuda.is_available()); print('gpu count:', torch.cuda.device_count()); print('gpu name:', torch.cuda.get_device_name(0) if torch.cuda.is_available() else 'N/A')"

预期：

• torch.version.cuda 不是 None；
• cuda available 为 True；
• gpu count 大于 0。

再做一次真实计算：

python - << 'PY'
import torch
x = torch.randn(1024, 1024, device='cuda')
y = torch.randn(1024, 1024, device='cuda')
z = x @ y
print(z.shape, z.device)
PY

这一步验证“不是只识别到 GPU，而是确实能在 GPU 上算”。

---

VS Code / Jupyter 绑定环境（以及为什么会错）

原理上，VS Code 和 Jupyter 都是“前端壳”，真正执行代码的是内核解释器路径。
你看到的终端激活状态，不等于 Notebook 内核真的一致。

Jupyter 绑定

在目标环境中执行：

pip install ipykernel
python -m ipykernel install --user --name dl-gpu --display-name "Python (dl-gpu)"

然后在 Notebook 的 Kernel 菜单选择 Python (dl-gpu)。

VS Code 绑定

• Ctrl + Shift + P
• Python: Select Interpreter
• 选择 dl-gpu 对应解释器

最后用这两条确认：

where python
python -c "import sys; print(sys.executable)"

路径必须和你期望的 conda 环境一致。

---

常见错误，如何快速定位

错误 1：装成 CPU 版

表现：torch.cuda.is_available() 为 False，但 import torch 正常。

检查：

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

如果 torch.version.cuda 是 None，基本就是 CPU 包。

处理：

pip uninstall -y torch torchvision torchaudio
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

错误 2：nvidia-smi 正常但 torch 识别不到 GPU

这时通常不是驱动坏了，而是环境/包错位。按顺序排：

where python
python -c "import sys; print(sys.executable)"
python -c "import torch; print(torch.__version__, torch.version.cuda, torch.cuda.is_available())"
pip show torch

仍不行就直接最小环境复现：

conda create -n torch-test python=3.10 -y
conda activate torch-test
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
python -c "import torch; print(torch.cuda.is_available())"

最小环境可用，说明原环境污染，不建议继续修老环境。

错误 3：pip 和 conda 混用后依赖打架

不是不能混用，而是要有顺序：

• 先确定核心组件安装策略（推荐先 conda 或全 pip 二选一）；
• 缺的小包再补；
• 稳定后立刻固化环境。

conda env export > environment.yml
pip freeze > requirements.txt

---

实用收尾

三条纪律：

• 一个项目一个环境；
• 不在 base 里训练；
• 每次装完立即跑 GPU 验证命令。

这三条能挡住大部分新手环境问题。