深度学习环境配置保姆级教程 (Conda/pip/PyTorch/TensorFlow/CUDA)

深度学习环境配置是入门的第一道门槛。本文将从零开始，详细介绍 Conda 和 pip 两种方式配置 PyTorch / TensorFlow 环境，涵盖 CPU 和 GPU 版本，以及常见问题排查。

资源下载：Anaconda3 安装包（百度网盘） 提取码: 6xee

1. 前置准备：NVIDIA 驱动与 CUDA

重要概念澄清：很多人混淆了 NVIDIA 驱动、CUDA Toolkit 和 cuDNN，这里统一说明：

组件 作用 谁需要装
NVIDIA 驱动 让操作系统识别显卡 有独显就必须装
CUDA Toolkit GPU 通用计算工具包 PyTorch/TensorFlow GPU 版需要
cuDNN 深度学习加速库 GPU 版框架需要

Conda 安装 PyTorch 时会自动处理 CUDA Toolkit 和 cuDNN，无需手动安装。

1.1 检查显卡驱动

1
nvidia-smi

如果能正常输出显卡信息（如 RTX 3060、RTX 4090 等），说明驱动已安装。右上角的 CUDA Version 表示驱动支持的最高 CUDA 版本。

如果没有安装驱动：

  • Windows：前往 NVIDIA 驱动下载，选择对应显卡型号下载安装
  • Linux：
    1
    2
    3
    sudo apt update
    sudo apt install nvidia-driver-535  # 版本号根据实际情况调整
    sudo reboot

1.2 手动安装 CUDA Toolkit（可选）

如果使用 Conda 安装 PyTorch，可以跳过此步，Conda 会自动处理。

前往 CUDA Toolkit 下载页 下载对应版本。

Windows：下载 .exe 安装包，一路 Next。

Linux：

1
2
3
# 以 CUDA 11.8 为例
wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda_11.8.0_520.61.05_linux.run
sudo sh cuda_11.8.0_520.61.05_linux.run

安装完成后添加环境变量：

1
2
3
4
# 添加到 ~/.bashrc
echo 'export PATH=/usr/local/cuda/bin:$PATH' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrc

1.3 安装 cuDNN（可选）

同样，Conda 安装会自动处理，无需手动安装。

前往 cuDNN 下载页（需注册 NVIDIA 账号），下载对应 CUDA 版本的 cuDNN。

1
2
3
4
# 解压后复制到 CUDA 目录
sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda/include
sudo cp cudnn-*-archive/lib/libcudnn* /usr/local/cuda/lib64
sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*

2. 方案一：使用 Conda 安装（推荐新手）

Conda 是一个跨平台的包管理和环境管理工具，最大的优势是能自动处理 CUDA 和 cuDNN 依赖。

2.1 安装 Conda

有三个选择，按需安装：

选项 A：Miniconda（推荐，轻量级）

只包含 Python 和 Conda，体积小，按需安装其他包。

  • 下载地址：Miniconda 官网
  • Windows：下载 .exe 安装包，安装时勾选 “Add Miniconda to my PATH environment variable”
  • macOS：
    1
    brew install --cask miniconda
  • Linux：
    1
    2
    wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
    bash Miniconda3-latest-Linux-x86_64.sh

选项 B：Anaconda（全家桶，适合数据科学）

包含 Python + Conda + 250+ 常用数据科学包，体积较大（约 3GB），开箱即用。

  • 下载地址：Anaconda 官网
  • 适合人群：不想一个个装包、希望开箱即用的数据科学初学者
  • 缺点：体积大、预装包多（很多可能用不到）

选项 C：Mamba（Conda 加速版）

Mamba 是 Conda 的 C++ 重写版本，命令与 Conda 完全兼容，但依赖解析速度提升 10-100 倍。

1
2
# 安装 Miniconda 后安装 Mamba
conda install -n base -c conda-forge mamba

之后所有 conda 命令替换为 mamba 即可：

1
2
3
mamba create -n dl_env python=3.10 -y
mamba activate dl_env
mamba install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

验证安装：

1
2
3
conda --version
# 或
mamba --version

2.2 配置 Conda 镜像源（国内用户必做）

1
2
3
4
5
6
# 清华镜像源
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch
conda config --set show_channel_urls yes

2.3 创建虚拟环境

1
2
3
4
5
6
7
8
# 创建名为 dl_env 的环境，Python 版本 3.10
conda create -n dl_env python=3.10 -y

# 激活环境
conda activate dl_env

# 验证 Python 版本
python --version

2.4 安装 PyTorch

前往 PyTorch 官网 获取最新安装命令。

CPU 版本（无独显 / Mac 用户）

1
conda install pytorch torchvision torchaudio cpuonly -c pytorch

GPU 版本（有 NVIDIA 显卡）

1
2
3
4
5
# CUDA 12.1 版本（推荐，支持 RTX 40 系列）
conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

# CUDA 11.8 版本（支持老显卡）
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

CUDA 版本选择：nvidia-smi 显示的 CUDA Version 是驱动支持的最高版本，向下兼容。例如驱动显示 CUDA 12.4，可以安装 CUDA 12.1 的 PyTorch。

2.5 安装 TensorFlow

1
2
3
4
5
# TensorFlow 2.x（GPU 版本，Conda 会自动安装 CUDA 依赖）
conda install tensorflow-gpu -c conda-forge

# CPU 版本
conda install tensorflow -c conda-forge

3. 方案二：使用 pip 安装（适合进阶用户）

如果你不想用 Conda，或者在服务器上需要更轻量的环境，可以直接用 pip + venv。

3.1 安装 Python

  • Windows：前往 Python 官网 下载安装，安装时勾选 “Add Python to PATH”
  • macOS：brew install python@3.10
  • Linux：sudo apt install python3.10 python3.10-venv python3-pip

3.2 创建虚拟环境

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
# 创建虚拟环境
python -m venv dl_env

# 激活环境
# Windows (PowerShell)
dl_env\Scripts\Activate.ps1

# Windows (Git Bash)
source dl_env/Scripts/activate

# macOS / Linux
source dl_env/bin/activate

# 退出环境
deactivate

3.3 配置 pip 镜像源（国内用户必做）

1
2
3
4
5
# 临时使用
pip install torch -i https://pypi.tuna.tsinghua.edu.cn/simple

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

3.4 安装 PyTorch (pip)

CPU 版本

1
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu

GPU 版本

1
2
3
4
5
# CUDA 12.1
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

# CUDA 11.8
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

注意：pip 安装 GPU 版 PyTorch 时，会自带 CUDA 运行时库，但需要系统已安装 NVIDIA 驱动。

3.5 安装 TensorFlow (pip)

1
2
3
4
5
# GPU 版本（需要已安装 CUDA Toolkit 和 cuDNN）
pip install tensorflow[and-cuda]

# CPU 版本
pip install tensorflow

TensorFlow + pip 的坑：TensorFlow 对 CUDA 版本要求严格，必须精确匹配。建议参考 TensorFlow 官网 的版本对应表。

4. 验证安装

4.1 测试 PyTorch

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
import torch

print("=" * 50)
print("PyTorch 版本:", torch.__version__)
print("CUDA 是否可用:", torch.cuda.is_available())

if torch.cuda.is_available():
    print("CUDA 版本:", torch.version.cuda)
    print("cuDNN 版本:", torch.backends.cudnn.version())
    print("GPU 数量:", torch.cuda.device_count())
    print("GPU 名称:", torch.cuda.get_device_name(0))

    # GPU 张量运算测试
    x = torch.rand(3, 3).cuda()
    y = torch.rand(3, 3).cuda()
    z = x @ y
    print("\nGPU 张量运算测试:")
    print("x:\n", x)
    print("y:\n", y)
    print("x @ y:\n", z)
else:
    print("当前使用 CPU 模式")
    x = torch.rand(3, 3)
    print("CPU 张量运算测试:\n", x @ x)

print("=" * 50)

4.2 测试 TensorFlow

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
import tensorflow as tf

print("=" * 50)
print("TensorFlow 版本:", tf.__version__)
print("GPU 可用数量:", len(tf.config.list_physical_devices('GPU')))

# GPU 张量运算测试
if tf.config.list_physical_devices('GPU'):
    with tf.device('/GPU:0'):
        a = tf.random.normal([3, 3])
        b = tf.random.normal([3, 3])
        c = tf.matmul(a, b)
        print("GPU 张量运算测试:\n", c.numpy())
else:
    print("当前使用 CPU 模式")

print("=" * 50)

4.3 综合测试脚本

保存为 test_env.py，一键验证所有组件：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
import sys

print("=" * 60)
print(f"Python 版本: {sys.version}")
print("-" * 60)

# 测试 PyTorch
try:
    import torch
    print(f"PyTorch {torch.__version__}: OK")
    if torch.cuda.is_available():
        print(f"  -> CUDA {torch.version.cuda}, GPU: {torch.cuda.get_device_name(0)}")
    else:
        print("  -> CPU 模式")
except ImportError:
    print("PyTorch: 未安装")

# 测试 TensorFlow
try:
    import tensorflow as tf
    print(f"TensorFlow {tf.__version__}: OK")
    gpus = tf.config.list_physical_devices('GPU')
    print(f"  -> GPU 数量: {len(gpus)}")
except ImportError:
    print("TensorFlow: 未安装")

# 测试 NumPy
try:
    import numpy as np
    print(f"NumPy {np.__version__}: OK")
except ImportError:
    print("NumPy: 未安装")

# 测试 OpenCV
try:
    import cv2
    print(f"OpenCV {cv2.__version__}: OK")
except ImportError:
    print("OpenCV: 未安装")

print("=" * 60)

5. Conda 环境管理常用命令

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
# 查看所有环境
conda env list

# 创建环境
conda create -n env_name python=3.10 -y

# 激活/退出环境
conda activate env_name
conda deactivate

# 在环境中安装包
conda install numpy pandas matplotlib

# 导出/导入环境配置
conda env export > environment.yml
conda env create -f environment.yml

# 删除环境
conda env remove -n env_name

# 查看当前环境已安装的包
conda list

6. 常见问题排查

6.1 torch.cuda.is_available() 返回 False

排查步骤：

1
2
3
4
5
6
7
8
9
# 1. 检查驱动是否安装
nvidia-smi

# 2. 检查 PyTorch 是否安装了 GPU 版本
python -c "import torch; print(torch.version.cuda)"

# 3. 如果输出 None，说明装的是 CPU 版本，需要重新安装
pip uninstall torch torchvision torchaudio -y
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

6.2 Conda 安装速度慢

1
2
3
4
5
# 使用 Mamba 替代
conda install -n base -c conda-forge mamba
mamba install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

# 或配置镜像源（见 2.2 节）

6.3 pip 安装超时

1
2
# 增加超时时间
pip install torch --timeout 120 -i https://pypi.tuna.tsinghua.edu.cn/simple

6.4 CUDA 版本不匹配

1
RuntimeError: The NVIDIA driver on your system is too old

解决方案：升级显卡驱动，或安装更低版本的 CUDA PyTorch。参考 PyTorch 历史版本。

6.5 内存不足 (OOM)

1
2
3
4
5
6
7
8
# PyTorch 中减少显存占用
torch.cuda.empty_cache()  # 清理缓存

# 使用混合精度训练
from torch.cuda.amp import autocast, GradScaler
scaler = GradScaler()
with autocast():
    output = model(input)

6.6 Windows 上 conda activate 不生效

1
2
3
4
5
6
7
# PowerShell 中执行
conda init powershell
# 重启 PowerShell 后生效

# Git Bash 中执行
conda init bash
# 重启 Git Bash 后生效

7. Conda vs pip 对比

特性 Conda pip + venv
环境管理 内置，功能强大 需配合 venv
CUDA 管理 自动处理 需手动安装
包管理范围 Python + C/C++ 库 仅 Python 包
依赖解析 更严格，不易冲突 可能出现冲突
安装速度 较慢（可用 Mamba 加速） 较快
适用场景 数据科学、深度学习 Web 开发、轻量项目

建议：

  • 新手 / 数据科学 / 深度学习 -> Conda（或 Mamba）
  • 进阶用户 / 服务器部署 / 只需要 PyTorch -> pip + venv
  • Mac 用户（Apple Silicon）-> Conda（对 ARM 架构支持更好）
分享
AI部署
#Python #PyTorch #开发环境
深度学习环境配置保姆级教程 (Conda/pip/PyTorch/TensorFlow/CUDA)
https://asteriayx.github.io/2026/06/13/deep-learning-env-setup/
作者
Asteriayx
发布于
2026年6月13日
许可协议