Anaconda + PyTorch 环境搭建

深度学习入门第一步 —— Anaconda + PyTorch 环境搭建

本文适用于深度学习初学者，系统地介绍从 安装 Anaconda → 创建虚拟环境 → 安装 PyTorch（CPU/GPU） → 验证 CUDA 的完整流程。
无论你之后要跑 YOLOv8、BERT、OpenCV、Mediapipe 都必须先搭好这一套环境！

---

目录

1. 为什么深度学习一定要用 Anaconda？
2. 下载与安装 Anaconda
3. 创建虚拟环境（Python 3.10/3.11 推荐）
4. 安装 PyTorch（含 GPU + CPU 安装方式）
5. 验证 PyTorch & CUDA 是否安装成功
6. 常见报错与解决办法
7. 总结

---

1. 为什么深度学习一定要用 Anaconda？

深度学习环境复杂：

• Python 版本冲突
• CUDA 版本要匹配 PyTorch
• OpenCV、Torch、Transformers 经常版本不兼容
• 做 YOLO / BERT 项目时很容易炸环境

Anaconda = 深度学习环境管理神器

它的优势：

功能	解释
创建多个独立虚拟环境	YOLO、BERT、Flask 各有自己的依赖互不影响
Python 版本可自由切换	3.8 / 3.9 / 3.10 都能拆分环境
包管理稳定	conda install 比 pip install 更稳定
官方强推	PyTorch、TensorFlow 官方都推荐用 Conda

---

2. 下载与安装 Anaconda

下载地址（示例占位）：
https://www.anaconda.com/download

---

3. 创建虚拟环境

conda create -n dl python=3.10 -y
conda activate dl
python --version

---

4. 安装 PyTorch（GPU / CPU）

GPU（CUDA 12.1）

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

CPU

pip install torch torchvision torchaudio

清华源

pip install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple

---

5. 验证 PyTorch

import torch

print("PyTorch 版本:", torch.__version__)
print("CUDA 是否可用:", torch.cuda.is_available())
print("当前显卡:", torch.cuda.get_device_name(0) if torch.cuda.is_available() else "无GPU")

---

6. 常见报错

No module named torch

conda activate dl
pip install torch torchvision torchaudio

pip 太慢

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

CUDA 不匹配

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

---

7. 总结

你已经完成深度学习最重要的一步：

• 安装 Anaconda
• 创建虚拟环境
• 安装 PyTorch
• 成功运行 GPU 测试