完整深度学习环境安装指南 (PyTorch 2.7.1 + CUDA 12.8)

完整深度学习环境安装指南 (PyTorch 2.7.1 + CUDA 12.8)

本文档旨在记录在Windows系统下，使用Conda作为环境管理器，为NVIDIA新架构显卡安装完整深度学习环境的详细步骤。

最终环境配置:

• 环境管理: Anaconda
• Python 版本: 3.10
• PyTorch 版本: 2.7.1 (CUDA 12.8 支持)
• 目标显卡架构: NVIDIA Blackwell (Compute Capability 12.0+)

---

第一步：环境准备

在安装任何库之前，必须先创建一个干净、隔离的Conda环境。

1. 检查 NVIDIA 驱动

打开命令行工具（CMD 或 Anaconda Prompt），确保系统可以识别您的NVIDIA显卡。

nvidia-smi

注意: 确认右上角显示的 Driver Version 足够新，能够支持您的硬件和CUDA 12.8。

2. 创建并激活 Conda 环境

我们将创建一个名为 semantometrics_env 的独立环境。

# 创建一个包含 Python 3.10 的新环境
conda create -n semantometrics_env python=3.10

# 激活这个新环境（之后的所有命令都在此环境中执行）
conda activate semantometrics_env

提示: 激活后，命令行提示符前应出现 (semantometrics_env) 标识。

---

第二步：安装核心库 PyTorch

对于最新的硬件，PyTorch的pip包通常比conda包更新得更快。因此，我们选择在Conda环境中使用pip来安装PyTorch。

1. 执行 Pip 安装命令

此命令会从PyTorch官方提供的、专门存放CUDA 12.8编译版本的地址下载。

# --index-url 参数是此步骤成功的关键
pip install torch==2.7.1 torchvision torchaudio --index-url https://download.pytorch.org/whl/cu128

如果网络连接意外中断了，导致文件没有下载完整，可以再次运行一遍刚才的安装命令。conda足够智能，会尝试续传之前没有下载完的部分。

2. 验证 PyTorch 安装

安装完成后，进入Python进行验证。

python

在Python解释器中，逐行输入并执行：

import torch

print(f"PyTorch Version: {torch.__version__}")
print(f"CUDA Available: {torch.cuda.is_available()}")

if torch.cuda.is_available():
    print(f"Device Name: {torch.cuda.get_device_name(0)}")

预期输出: PyTorch Version: 2.7.1+cu128，CUDA Available: True，Device Name: NVIDIA GeForce RTX 5060 Ti

---

第三步：安装图神经网络库 PyG

PyG的底层库需要与PyTorch版本精确匹配。在升级或重装PyTorch后，必须重新安装这些组件。

1. 安装 PyG 主包

pip install torch_geometric

2. 安装 PyG 底层加速库

为了确保替换掉任何可能存在的旧版本，建议使用 --force-reinstall。

# -f 后面的URL必须与PyTorch版本和CUDA版本匹配
pip install pyg_lib torch-scatter torch-sparse torch-cluster torch-spline-conv -f https://data.pyg.org/whl/torch-2.7.0+cu128.html --force-reinstall

---

第四步：安装其他科学计算与机器学习库

这些库不涉及复杂的硬件编译，可以直接使用pip批量安装。

pip install pandas scikit-learn xgboost jupyterlab tqdm transformers sentence-transformers shap

---

第五步：安装数据可视化库

对于matplotlib和seaborn，强烈推荐使用conda安装，因为conda能更好地处理其复杂的非Python依赖。

conda install matplotlib seaborn

---

第六步：环境健康检查与VSCode配置

1. 检查依赖完整性

完成所有安装后，运行pip check可以确保环境中没有包之间的版本冲突。

pip check

预期输出: No broken requirements found.

2. 配置 VSCode

1. 在VSCode中打开您的项目文件夹。
2. 按 Ctrl+Shift+P 打开命令面板。
3. 搜索并选择 Python: Select Interpreter。
4. 在列表中选择带有 ('semantometrics_env': conda) 标识的解释器。

至此，您的深度学习环境已全部配置完毕。