1080ti 显卡下的深度学习软件包

结合实际环境——Windows 10 + Python 3.11 + GTX 1080 Ti 11GB + CUDA/驱动环境 + 后面要学 NumPy → SciPy → sklearn → PyTorch → 深度学习——我建议不要追全部最新版本，而是建立一套“稳定、教程多、兼容性好、能长期学习”的基线。

我最推荐这一套

组件	推荐版本	定位
Python	3.11.9	Windows 上最方便的 3.11 安装版本
NumPy	2.2.6	数值计算核心
SciPy	1.15.3	科学计算/线性代数/优化
Pandas	2.2.3	数据处理
Matplotlib	3.10.1	绘图与数学可视化
Scikit-learn	1.6.1	传统机器学习
PyTorch	2.5.1 + CUDA 11.8	深度学习
torchvision	0.20.1 + CUDA 11.8	图像模型
torchaudio	2.5.1 + CUDA 11.8	音频模型

这套组合不是“2026 年全部最新”，而是我更建议你作为学习环境基线的版本组合。

其中 Python 3.11.9 很特殊：Python 3.11 后续还有 3.11.16，但 3.11.9 是 最后一个提供官方 Windows 二进制安装程序的完整 bugfix 版本，后续 3.11 进入 security-only 阶段。(Python.org)

NumPy 2.2.6 明确提供 Python 3.11 Windows x64 wheel；SciPy 1.15.3 也支持 Python 3.11。(PyPI) Pandas 2.2.3、Matplotlib 3.10.1、Scikit-learn 1.6.1 同样都有 Python 3.11 的 Windows wheel。(PyPI)

最关键的是 PyTorch：官方仍提供 PyTorch 2.5.1 + CUDA 11.8 + Python 3.11 + Windows 的 wheel，而且官方安装命令就是这一组合。(PyTorch Documentation)

为什么我给你选 PyTorch 2.5.1，而不是更新版本？

这是针对你的 GTX 1080 Ti（Pascal，SM 6.1） 做的取舍。

PyTorch 的 CUDA 支持一直在变化。2.5/2.6/2.7 时代仍然提供 CUDA 11.8 路线，而 CUDA 11.8 对老架构更友好；PyTorch 官方的版本矩阵也显示 2.5、2.6、2.7 均存在 CUDA 11.8 构建。(GitHub)

所以你的机器没有必要为了“最新 PyTorch”去冒兼容性风险。你现在的学习重点应该是：

Python → NumPy → 向量/矩阵 → SciPy → Pandas → sklearn → PyTorch

而不是不停折腾 CUDA/编译器/版本冲突。

Windows 10 下直接安装

先创建环境：

py -3.11 -m venv D:\venvs\ai311
D:\venvs\ai311\Scripts\activate

升级基础工具：

python -m pip install -U pip setuptools wheel

先装科学计算这一层：

pip install `
    numpy==2.2.6 `
    scipy==1.15.3 `
    pandas==2.2.3 `
    matplotlib==3.10.1 `
    scikit-learn==1.6.1

然后单独安装 PyTorch CUDA 版本：

pip install torch==2.5.1 torchvision==0.20.1 torchaudio==2.5.1 `
    --index-url https://download.pytorch.org/whl/cu118

这里不要把 PyTorch CUDA 包和普通 PyPI 包混在一个安装命令里。科学计算包从 PyPI/镜像安装，PyTorch 从官方 CUDA 11.8 wheel 源安装，比较干净。

安装 jupyter lab

pip install jupyterlab==4.6.3

安装完成后检查

python -c "import numpy, scipy, pandas, matplotlib, sklearn, torch; print('NumPy      ', numpy.__version__); print('SciPy      ', scipy.__version__); print('Pandas     ', pandas.__version__); print('Matplotlib ', matplotlib.__version__); print('sklearn    ', sklearn.__version__); print('PyTorch    ', torch.__version__); print('CUDA       ', torch.version.cuda); print('GPU        ', torch.cuda.get_device_name(0) if torch.cuda.is_available() else 'NOT AVAILABLE')"

正常情况下你会看到类似：

NumPy       2.2.6
SciPy       1.15.3
Pandas      2.2.3
Matplotlib  3.10.1
sklearn     1.6.1
PyTorch     2.5.1+cu118
CUDA        11.8
GPU         NVIDIA GeForce GTX 1080 Ti

这套环境为什么特别适合你的学习路线

可以把整个环境理解成一层一层往上：

Python
  │
  ├── NumPy
  │     └── 向量 / 矩阵 / 张量 / 线性代数
  │
  ├── SciPy
  │     └── 优化 / 积分 / 统计 / 科学计算
  │
  ├── Pandas
  │     └── 表格数据 / 数据清洗
  │
  ├── Matplotlib
  │     └── 函数 / 向量 / 数据可视化
  │
  ├── Scikit-learn
  │     └── 机器学习算法
  │
  └── PyTorch
        └── Tensor → Autograd → Neural Network → Transformer

这实际上非常适合你现在正在学习的向量、点积、余弦相似度、梯度、方向导数、Q/K/V、Attention。你学到的数学公式，可以直接在 NumPy 中“一行一行地实现”，之后再自然过渡到 PyTorch。

另外，Scikit-learn 当前版本已经进入 1.9.0，NumPy 当前也已经到 2.5.3，SciPy 到 1.18.1；所以我这里是有意选择了较保守的版本，而不是把“最新版本”全部塞进你的学习环境。(PyPI)

对于你，我会把这套环境固定下来，至少学习半年不要随意升级大版本。 这样你后面学习 NumPy 的数组、矩阵、广播、向量化，再到 sklearn 和 PyTorch 时，不会不断遇到“教程能运行、我的环境却因为版本变化报错”的问题。

附录 关于jupyterlab

对于你上一条确定的环境 Python 3.11 + NumPy/SciPy/Pandas/Matplotlib/sklearn + PyTorch 2.5.1+cu118，我建议直接使用：

JupyterLab 4.6.3

截至 2026-09-10，JupyterLab 最新稳定版是 4.6.3，2026 年 8 月 10 日发布，并要求 Python ≥3.10，因此和 Python 3.11 完全匹配。JupyterLab 3 已经结束维护，所以没有必要再装 3.x。(PyPI)

我建议你的完整组合

Python       3.11.9
NumPy        2.2.6
SciPy        1.15.3
Pandas       2.2.3
Matplotlib   3.10.1
Scikit-learn 1.6.1
PyTorch      2.5.1+cu118
JupyterLab   4.6.3
IPython      7.3.0

这里 JupyterLab 和 Notebook 是两个相关但不同的东西：

Jupyter
   │
   ├── JupyterLab        ← 推荐你使用
   │      │
   │      ├── Notebook
   │      ├── Terminal
   │      ├── 文件管理器
   │      └── 多标签/多窗口
   │
   └── Jupyter Notebook  ← 经典的单 Notebook 界面

JupyterLab 是现在更完整的工作环境，而 Notebook 7 本身也已经基于 JupyterLab 的前端组件和 Jupyter Server 构建。当前 Notebook 最新稳定版是 7.6.2。(PyPI)

所以你的情况我会选择：

pip install jupyterlab==4.6.3

然后：

jupyter lab

一个重要区别

不要为了“版本统一”去刻意锁死 JupyterLab 的所有依赖。

你的核心计算环境应该锁：

Python
NumPy
SciPy
Pandas
Matplotlib
Scikit-learn
PyTorch

而 JupyterLab 更像是你的实验工作台。让 pip 自己解析 JupyterLab 所需的 jupyter-server / traitlets / tornado / ipykernel 等依赖，通常更合理。

另外，当前 ipykernel 已经发展到 7.3.0，Python ≥3.10，因此 Python 3.11 可以直接使用。(PyPI)

最终推荐的安装顺序

python -m venv D:\venvs\ai311
D:\venvs\ai311\Scripts\activate

python -m pip install -U pip setuptools wheel

pip install `
    numpy==2.2.6 `
    scipy==1.15.3 `
    pandas==2.2.3 `
    matplotlib==3.10.1 `
    scikit-learn==1.6.1

pip install `
    torch==2.5.1 `
    torchvision==0.20.1 `
    torchaudio==2.5.1 `
    --index-url https://download.pytorch.org/whl/cu118

pip install jupyterlab==4.6.3

然后：

jupyter lab

对你目前的学习路线，我甚至更推荐“JupyterLab + VS Code”双模式：JupyterLab 专门做数学推导、NumPy 实验、机器学习实验；VS Code 专门做正式 Python 工程和 PyTorch 项目。

这样你后面从“数学公式 → NumPy → PyTorch”过渡会非常自然。